A survey of explainable AI applications in infectious disease diagnosis

Qué problema aborda

La inteligencia artificial, y en particular el aprendizaje profundo, ha demostrado un gran potencial para acelerar el diagnóstico de enfermedades infecciosas. Sin embargo, la naturaleza "caja negra" de estos modelos representa una barrera significativa para su adopción clínica, ya que dificulta la confianza y la responsabilidad en las decisiones tomadas por estos sistemas.

Qué hicieron los autores

Los autores realizaron una revisión exhaustiva de la literatura sobre aplicaciones de XAI en el diagnóstico de enfermedades infecciosas, centrándose en estudios publicados entre 2023 y 2025. Analizaron enfermedades clave como COVID-19, tuberculosis, malaria, viruela del simio y dengue, categorizando los estudios según la modalidad de datos (por ejemplo, imágenes, tabulares) y las técnicas de XAI empleadas (como SHAP, LIME y Grad-CAM).

Qué encontraron

Los resultados indican que los métodos de XAI son efectivos para identificar características clínicamente relevantes, como biomarcadores clave a partir de resultados de laboratorio y regiones patológicas en imágenes médicas. Esto permite alinear el razonamiento de los modelos con el conocimiento clínico establecido. No obstante, persisten desafíos significativos, como la baja generalizabilidad de los datos provenientes de conjuntos de datos pequeños y de un solo centro, la sobrecarga computacional de los métodos post-hoc y la discrepancia entre las explicaciones técnicas y su utilidad clínica.

Limitaciones

El texto no detalla específicamente las limitaciones del estudio, pero menciona desafíos en la generalización de los datos y la necesidad de una mejor conexión entre las explicaciones técnicas y su aplicación clínica.

Lectura final

La integración de la inteligencia artificial explicable en el diagnóstico de enfermedades infecciosas podría facilitar una adopción más amplia de estas tecnologías en la práctica clínica, siempre que se aborden los desafíos mencionados. La necesidad de métricas de evaluación estandarizadas, validación en múltiples centros y un diseño centrado en el clínico son pasos cruciales para lograr una implementación responsable de la IA en el ámbito médico.