Acceso usuarios
Cuenca, Ecuador
In brain cancer diagnosis, the interpretation of classification model results is crucial. In this study, we present an algorithm designed to graphically explain the performance of classification models, including the Support Vector Classifier (SVC) and Random Forest for processing medical images related to brain cancer. The aim is to evaluate the performance of machine learning in the classification of three types of brain tumours. The method allows us to visualise the pixels that these techniques consider most relevant in the decision-making process of the referred models. The results obtained show a promising performance in understanding the relationships between the input pixels of the medical images and the resulting classifications, facilitating the interpretation of the results and increasing their reliability, contributing significantly to more informed and accurate clinical decision-making.
En el diagnóstico del cáncer cerebral, la interpretación de los resultados de los modelos de clasificación es crucial. En este estudio, se presenta un algoritmo diseñado para explicar de manera gráfica el funcionamiento de los modelos de clasificación, entre ellos el clasificador de Soporte Vectorial (SVC) y Random Forest para el procesamiento de imágenes médicas relacionadas con el cáncer cerebral. Se busca evaluar el desempeño del aprendizaje automático en la clasificación de tres tipos de tumores cerebrales. El método permite visualizar los píxeles que estas técnicas consideran más relevantes en el proceso de toma de decisiones de los modelos mencionados. Los resultados obtenidos muestran un prometedor rendimiento en la comprensión de las relaciones entre los píxeles de entrada de las imágenes médicas y las clasificaciones resultantes, facilitando la interpretación de los resultados y aumentando la confiabilidad de estos, contribuyendo significativamente a la toma de decisiones clínicas más informadas y precisas.
