本文档属于类型b，即一篇科学论文，但不是单一原创研究的报告，而是一篇系统性文献综述。以下是针对该文档的学术报告：
本文的主要作者包括Iván-Santiago Herrera-Bravo（来自哥伦比亚的Universidad del Cauca）、Hugo-Armando Ordoñez-Erazo（同样来自Universidad del Cauca）以及Himer Avila-George（来自墨西哥的Universidad de Guadalajara）。该论文于2024年发表在《Revista Facultad de Ingeniería》期刊上，卷号为33，期号为69。
本文的主题是“可解释的人工智能（Explainable Artificial Intelligence, XAI）在皮肤癌（特别是黑色素瘤）检测中的应用”。文章通过系统性文献综述，探讨了XAI在黑色素瘤检测中的发展现状，并识别了相关研究中的趋势和空白。
黑色素瘤是全球范围内最常见的皮肤癌之一，近年来发病率显著上升。特别是在哥伦比亚，黑色素瘤的发病率从2007年的每10万人6例增加到2020年的每10万人14例。尽管黑色素瘤在哥伦比亚并不常见，但其低生存率和高死亡率使得早期检测尤为重要。此外，哥伦比亚的皮肤科医生数量相对较少，进一步加剧了这一问题。
支持证据：文章引用了多项流行病学研究数据，包括哥伦比亚国家癌症研究所（Instituto Nacional de Cancerología, INC）的年度报告，以及Vries等人关于Bucaramanga地区黑色素瘤发病率的研究。
近年来，人工智能（AI）在黑色素瘤检测中显示出巨大的潜力，尤其是基于机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）的模型。这些模型在准确率、敏感性和特异性方面表现优异，甚至达到了皮肤科医生的水平。然而，这些模型通常被认为是“黑箱”，因为其内部决策过程难以解释，导致医学界对其接受度较低。
支持证据：文章引用了多项研究，表明基于卷积神经网络（Convolutional Neural Networks, CNN）的模型在黑色素瘤检测中表现出色，但其复杂性和缺乏透明度限制了其在实际医疗环境中的应用。
为了解决AI模型的“黑箱”问题，XAI应运而生。XAI旨在通过提供机制来解释AI系统的决策过程，从而增强其透明度和可解释性。在黑色素瘤检测中，XAI的应用可以帮助医生理解AI模型的决策依据，从而提高其可信度和实用性。
支持证据：文章引用了多项XAI相关研究，包括基于多任务学习（Multi-Task Learning, MTL）、局部可解释模型（Local Interpretable Model-agnostic Explanations, LIME）和梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）等方法的研究。
本文通过系统性文献综述，识别了2019年至2024年间发表的16篇严格应用XAI方法于黑色素瘤分类模型的科学文章。研究发现，尽管XAI在黑色素瘤检测中的应用仍处于早期阶段，但其潜力巨大，特别是在提高模型透明度和医生信任度方面。
支持证据：文章详细描述了系统性文献综述的方法，包括使用PARSIFAL工具和Petersen等人提出的方法论，以及通过ScienceDirect、Scopus、IEEE和SpringerLink等数据库进行文献检索的过程。
文章对比了XAI和传统AI模型在黑色素瘤检测中的优缺点。XAI模型的优势在于其能够提供决策的解释，增强了模型的透明度和医生的信任度。然而，XAI模型的局限性在于其解释可能存在偏差，且其性能评估尚未标准化。
支持证据：文章通过表格形式对比了XAI和AI模型的优缺点，并引用了多项研究支持这一对比。
本文通过系统性文献综述，全面梳理了XAI在黑色素瘤检测中的应用现状，识别了该领域的研究趋势和空白。文章不仅为研究人员提供了宝贵的参考，还为未来XAI在医疗领域的应用提供了方向。特别是，文章强调了XAI在提高AI模型透明度和医生信任度方面的潜力，为黑色素瘤的早期检测和诊断提供了新的思路。
本文通过系统性文献综述，展示了XAI在黑色素瘤检测中的发展现状和潜力。尽管XAI仍处于早期阶段，但其在提高模型透明度和医生信任度方面的优势使其成为未来研究的重要方向。文章呼吁进一步研究XAI的局限性，特别是其解释的准确性和偏差问题，以推动其在医疗领域的广泛应用。
通过本文，读者可以深入了解XAI在黑色素瘤检测中的最新进展，并为未来的研究提供有价值的参考。