ETD

• Artificial intelligence
• Biomedical Imaging
• Classification
• Explainability
• Security

This PhD thesis investigates the role of eXplainable Artificial Intelligence (XAI) and Convolutional Neural Networks (CNNs) in classifying and localizing various diseases within biomedical imaging. The primary goal is to address the "black box" nature of deep learning models by employing Class Activation Mapping (CAM) algorithms, such as Grad-CAM and Score-CAM, to provide visual heatmaps that justify AI predictions. This transparency is essential for building clinical trust and transforming AI into a reliable "co-pilot" for medical professionals. The research spans three imaging categories: Skin Surface, Internal Organs (e.g., MRI, RX), and Cellular/Tissue Imaging. Additionally, the thesis examines Adversarial Machine Learning to ensure system resilience against malicious attacks and extends XAI methodologies to audio signal classification, including COVID-19 detection from cough recordings. Ultimately, this work establishes a foundation for trustworthy and secure automated diagnostic systems that prioritize both high accuracy and patient safety.

Questa tesi esplora l’integrazione dell'Intelligenza Artificiale Spiegabile (XAI) e delle Reti Neurali Convoluzionali (CNN) per migliorare la classificazione e la localizzazione di patologie in ambito biomedico. L’obiettivo centrale è superare il problema della "scatola nera" dei modelli di deep learning, rendendo le diagnosi automatizzate trasparenti e affidabili per i clinici attraverso algoritmi di Class Activation Mapping (come Grad-CAM), che generano mappe di calore visive delle regioni rilevanti. La ricerca copre tre aree principali: imaging della superficie cutanea (lesioni della pelle), imaging degli organi interni (es. risonanza magnetica, raggi-X) e imaging cellulare/tessutale (istopatologia). Il lavoro affronta inoltre la sicurezza del sistema tramite l'Adversarial Machine Learning, valutando la resilienza dei modelli contro manipolazioni dannose, ed estende l'applicazione della XAI all'analisi di segnali audio per la diagnosi di malattie come il COVID-19 tramite la tosse. In sintesi, la tesi propone l'IA non solo come classificatore, ma come un "co-pilota" affidabile che supporta le decisioni mediche e garantisce la sicurezza del paziente.