Este artículo destaca que, a pesar de la mayor precisión en los modelos de clasificación de lesiones cutáneas, la desconfianza en los modelos de IA sigue siendo un problema en el ámbito médico. Además de una alta precisión, es fundamental contar con diagnósticos fiables y explicables. Para superar las limitaciones de los métodos de explicabilidad existentes (LIME, CAM), proponemos el método de Evaluación de Mapas Probabilísticos de Activación de Clases Globales (GCAPE). GCAPE analiza los mapas de probabilidad de activación de todas las clases de forma probabilística, píxel a píxel, para proporcionar una visualización integrada del proceso diagnóstico, reduciendo así el riesgo de diagnósticos erróneos. SafeML se aplica adicionalmente para detectar diagnósticos incorrectos y alertar a médicos y pacientes según sea necesario, mejorando así la fiabilidad del diagnóstico y la seguridad del paciente. El método se evaluó utilizando el conjunto de datos ISIC, MobileNetV2 y Vision Transformer.
