Uso e Definizione di un Concettogramma nella Classificazione delle Immagini Applicato alla Diagnosi Assistita di Melanoma

L’intelligenza artificiale (AI) ha dimostrato un potenziale straordinario nel supportare il riconoscimento e la diagnosi di immagini biomediche, specialmente nell’ambito dei tumori cutanei. Uno degli approcci più promettenti nell’utilizzo dell’AI per la diagnosi di neoplasie cutanee è rappresentato dalle reti neurali convoluzionali (CNN), in particolar modo l’architettura VGG16, che si caratterizza per la sua struttura semplice e altamente modulare ed è ampiamente utilizzata nel contesto del transfer learning. Tuttavia la mancanza di trasparenza delle CNN può sollevare preoccupazioni tra i clinici che hanno la necessità di interpretare rigorosamente i dati in uscita dalla rete. Si introduce la necessità di spiegabilità delle reti neurali, un approccio noto in letteratura come Explainable Artificial Intelligence (XAI), che mira a rendere i processi decisionali delle reti neurali più comprensibili e trasparenti. Questo lavoro di tesi si propone di approfondire gli aspetti legati alla interpretabilità delle reti neurali attraverso lo sviluppo di un framework basato sull’utilizzo dei concettogrammi. L’obiettivo della ricerca è implementare e validare una metodologia per colmare il divario tra l’accuratezza tecnica dei modelli di deep learning e la loro spiegabilità clinica, al fine di creare strumenti diagnostici affidabili e facilmente integrabili nella pratica medica quotidiana.