Interactive and explainable machine learning to improve efficiency in medical document screening

Simple item page
dc.contributor.advisorParra Santander, Denis
dc.contributor.authorCarvallo de Ferari, Andrés Francisco
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2022-10-25T13:28:57Z
dc.date.available2022-10-25T13:28:57Z
dc.date.issued2022
dc.descriptionTesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2022
dc.description.abstractLa revisión de documentos es fundamental en Medicina Basada en Evidencia (MBE) ya que busca validar evidencia científica para respaldar decisiones clínicas. Esta tesis propone una solución a la sobrecarga de información basada en active learning que busca reducir la cantidad de documentos que los médicos deben etiquetar para responder preguntas clínicas. Además, en el contexto de la pandemia COVID-19 la cantidad de artículos indexados creció exponencialmente, proponemos estrategias de sampleo de evidencia para hacer finetuning de un modelo con una pequeña proporción de toda la evidencia existente. Finalmente, mediante un estudio de usuario evaluamos si las atenciones aprendidas por un modelo basado en transformer son percibidas como útiles y si existe alguna forma mejor para visualizarlas. Con respecto a Active Learning los resultados indican que el muestro basado en incerteza combinado con representación BioBERT y un Random Forest supera a otros enfoques propuestos. Respecto a la clasificación de artículos de COVID-19, obtuvimos que el modelo XLNET supera a otros modelos del estado del arte y demostramos que podemos ahorrar más del 65% de la carga de trabajo de los expertos utilizando una estrategia de muestreo basado incerteza. Finalmente, los resultados del estudio de usuario indican que, en general, las atenciones no son percibidas como útiles para los usuarios como una forma de explicación. Sin embargo, observamos un efecto de interacción entre el encoding visual y el tipo de artículo con respecto a la percepción de utilidad de las atenciones. Además obtuvimos que los usuarios que visualizan las atenciones tienen una efectividad de un 5.27% mayor comparado a aquellos que no utilizan visualización.
dc.format.extentxiii, 152 páginas
dc.fuente.origenSRIA
dc.identifier.doi10.7764/tesisUC/ING/65067
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/65067
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/65067
dc.information.autorucEscuela de ingeniería ; Parra Santander, Denis ; 0000-0001-9878-8761 ; 1011554
dc.information.autorucEscuela de ingeniería ; Carvallo de Ferrari, Andrés Francisco ; S/I ; 227829
dc.language.isoen
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.subjectActive learninges_ES
dc.subjectInteligencia artificial explicablees_ES
dc.subjectMedicina basada en evidenciaes_ES
dc.subjectModelos de lenguajees_ES
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.titleInteractive and explainable machine learning to improve efficiency in medical document screeninges_ES
dc.typetesis doctoral
sipa.codpersvinculados1011554
sipa.codpersvinculados227829
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Tesis_Doctoral_INTERACTIVE AND EXPLAINABLE_Andrés Carvallo_compressed.pdf
Size:
3.75 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.01 Tesis doctorado