Cet article souligne que malgré l'amélioration de la précision des modèles de classification des lésions cutanées, la méfiance envers les modèles d'IA demeure un problème dans le domaine médical. Au-delà d'une précision élevée, des diagnostics fiables et explicables sont essentiels. Pour surmonter les limites des méthodes d'explicabilité existantes (LIME, CAM), nous proposons la méthode d'évaluation de la carte probabiliste d'activation de classe globale (GCAPE). GCAPE analyse les cartes de probabilité d'activation de toutes les classes de manière probabiliste, pixel par pixel, afin de fournir une visualisation intégrée du processus diagnostique, réduisant ainsi le risque d'erreur de diagnostic. SafeML est également utilisé pour détecter les diagnostics erronés et alerter les médecins et les patients si nécessaire, améliorant ainsi la fiabilité du diagnostic et la sécurité des patients. La méthode a été évaluée à l'aide de l'ensemble de données ISIC, de MobileNetV2 et de Vision Transformer.
