Forklarlig maskinlæring til vurdering af donortransplantater ved levertransplantation

Klinisk udføres organevaluering generelt af seniorkirurger baseret på deres erfaring og den visuelle og taktiske inspektion af transplantatet under udtagningen. Det er imidlertid bevist, at transplantationskirurgers intuition i evalueringen af ​​donorrisiko og estimeringen af ​​steatose er inkonsekvent og normalt unøjagtig. Desuden er graftvurdering en dynamisk proces, der refererer til mængden af ​​komplekse faktorer, som anses for at være et utroligt kompliceret forhold, der er ikke-lineært af natur. Desværre kræver de klassiske statistiske teknikker på mode, såsom multipel regression, den statistiske antagelse af uafhængige og lineære sammenhænge mellem forklarende og udfaldsvariable og undlader at analysere et stort antal variable. Vi forsøgte at udvikle levertransplantationsvurderingsmodeller ved at forudsige postoperativ DGF ved hjælp af flere ML-teknikker. For det andet blev den bedste forudsigelsesmodel valgt ved at sammenligne ydeevnen af ​​forskellige AI-algoritmer og logistisk regression. Til sidst forsøgte vi at forklare beslutningen truffet af AI-algoritmer ved hjælp af en visualiseringsalgoritme baseret på den bedste forudsigelsesmodel, der hjælper klinikere med at evaluere specifikke organer, og om de skal modtage, der kan udvikle DGF postoperativt.