Um Framework Explicável para Predições Clínicas: Integração de Raciocínio Baseado em Casos, Clustering e Contrafactuais

• Eduardo C. Radaelli UFSM
• Isabel C. Reinheimer UFSM
• Joaquim V. C. Assunção UFSM
• Carlos E. Poli-de-Figueiredo PUCRS
• Luís A. L. Silva UFSM

DOI: https://doi.org/10.5753/eramiars.2025.16631

Resumo

Este trabalho propõe um framework de inteligência artificial explicável (XAI) para geração de explicações contrafactuais em dados clínicos, integrando Raciocínio Baseado em Casos (CBR), Clustering e métodos contrafactuais. O modelo de Deep Learning (DL) prediz o rótulo de um caso consulta, enquanto casos similares, porém de classe diferente, são agrupados em perfis clínicos semelhantes. Para melhorar a diversidade e interpretabilidade dos contrafactuais gerados, casos amostrados destes grupos orientam alterações mínimas e plausíveis nos atributos do caso.

Referências

Brughmans, D., Leyman, P., and Martens, D. (2024). Nice: an algorithm for nearest instance counterfactual explanations. Data mining and knowledge discovery, 38(5):2665–2703.

Iimori, S., Naito, S., Noda, Y., Sato, H., Nomura, N., Sohara, E., Okado, T., Sasaki, S., Uchida, S., and Rai, T. (2018). Prognosis of chronic kidney disease with normal-range proteinuria: The ckd-route study. PLOS ONE, 13(1):e0190493.

Minh, D., Wang, H. X., Li, Y. F., and Nguyen, T. N. (2022). Explainable artificial intelligence: a comprehensive review. In Artificial Intelligence Review, volume 55, pages 3503–3568.

Warren, G., Guéret, C., Keane, M. T., and Delaney, E. (2023). Explaining groups of instances counterfactually for xai: A use case, algorithm and user study for group-counterfactuals. In Proc. of the ACM Conf. on Explainable AI, pages 123–134.

Wiratunga, N., Wijekoon, A., Nkisi-Orji, I., Martin, K., Palihawadana, C., and Corsar, D. (2021). Discern: Discovering counterfactual explanations using relevance features from neighbourhoods. In Proc. of the Int. Conf. on Machine Learning, pages 1–10.