Explicabilidade de modelos de visão computacional aplicados à detecção de COVID-19 em radiografias

Abstract

No final de 2019, Covid-19, uma nova doença respiratória de grande capacidade contagiosa e letal, se espalhou pelo planeta, alcançando status de pandemia. Diante da falta de testes, foram propostos modelos de visão computacional para a detecção da doença a partir de imagens de radiografias, utilizando algoritmos de inteligência artificial treinados em datasets curados para esse objetivo. No entanto, não é incomum a introdução de vieses, presentes de maneira desconhecida nos datasets, no modelo de predição. Neste trabalho, esse fenômeno investigado, treinando modelos para a detecção de Covid-19 em radiografias e aplicando técnicas recentes de interpretabilidade para modelos de visão computacional (Grad-CAM, Grad-CAM++) a modelos propostos para a detecção da doença.

At the end of 2019, Covid-19, a novel respiratory disease with high contagious and lethal power, spread throughout the planet, reaching pandemic status. Due to the shortage of tests, computer vision models were proposed for the detection of the disease from X-rays, utilizing artificial inteligence algorithms trained on datasets created for this purpose. However, it is not uncommon for biases, unknowingly present in the datasets, to be introduced in the prediction model. In this work, this phenomenon is investigated, training models for the detection of Covid-19 from X-rays and applying recent interpretability techniques for computer vision models (Grad-CAM, Grad-CAM++) to proposed models for the detection of the disease