Un enfoque basado en Deep Learning y AI Explicable para la clasificación de especies de Discomycetes
Autores: Korkmaz, Aras Fahrettin; Ekinci, Fatih; Alta, ehmus; Kumru, Eda; Güzel, Mehmet Serdar; Akata, Ilgaz
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un enfoque basado en Deep Learning y AI Explicable para la clasificación de especies de DiscomycetesCategoría
Ciencias Naturales y Subdisciplinas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Este estudio se centra en el uso de aprendizaje profundo e inteligencia artificial explicable (XAI) para clasificar eficazmente las especies de Discomycetes. El modelo EfficientNet-B0 demostró el mejor rendimiento, logrando un 97% de precisión, un 97% de F1-score y un 99% de AUC, lo que lo convierte en el modelo más efectivo para esta tarea. MobileNetV3-L le siguió de cerca, con un 96% de precisión, un 96% de F1-score y un 99% de AUC, mientras que ShuffleNet también mostró resultados sólidos, alcanzando un 95% de precisión y un 95% de F1-score. En contraste, el modelo EfficientNet-B4 exhibió un rendimiento inferior, logrando un 89% de precisión, un 89% de F1-score y un 93% de AUC. Se utilizaron métodos de XAI como Grad-CAM y Score-CAM para mejorar la transparencia de las decisiones del modelo, revelando los procesos internos detrás de estas predicciones. Estos resultados destacan el potencial de la IA para apoyar la clasificación precisa de especies y los estudios de biodiversidad.
Descripción
Este estudio se centra en el uso de aprendizaje profundo e inteligencia artificial explicable (XAI) para clasificar eficazmente las especies de Discomycetes. El modelo EfficientNet-B0 demostró el mejor rendimiento, logrando un 97% de precisión, un 97% de F1-score y un 99% de AUC, lo que lo convierte en el modelo más efectivo para esta tarea. MobileNetV3-L le siguió de cerca, con un 96% de precisión, un 96% de F1-score y un 99% de AUC, mientras que ShuffleNet también mostró resultados sólidos, alcanzando un 95% de precisión y un 95% de F1-score. En contraste, el modelo EfficientNet-B4 exhibió un rendimiento inferior, logrando un 89% de precisión, un 89% de F1-score y un 93% de AUC. Se utilizaron métodos de XAI como Grad-CAM y Score-CAM para mejorar la transparencia de las decisiones del modelo, revelando los procesos internos detrás de estas predicciones. Estos resultados destacan el potencial de la IA para apoyar la clasificación precisa de especies y los estudios de biodiversidad.