Anvendelighed og klinisk effektivitet af en fortolkelig Deep Learning Framework for post-hepatektomi leversvigt forudsigelse

Post-hepatektomi leversvigt (PHLF) er en alvorlig komplikation efter leverresektion. Det er vigtigt at udvikle en fortolkelig model til at forudsige PHLF for at facilitere effektivt samarbejde med klinikere om beslutningstagning. Todimensionel forskydningsbølgeelastografi (2D-SWE) er en teknologi til måling af leverstivhed (LSM), som har vist sig at være nyttig i stadieinddeling af leverfibrose. Derfor viser 2D-SWE den potentielle værdi for leverfunktionsvurdering og PHLF-forudsigelse. 2D-SWE-billeder viser farvekodet vævsstivhedskort over leverparenkym, hvor rødt repræsenterer et fast væv (højere stivhed) og blåt repræsenterer et blødt væv (lavere stivhed). Rutinemæssig analyse af 2D-SWE udnytter ikke al information tilgængelig i billederne fuldt ud og lider også af inter-observatør-varians i valget af den optimale kvantificeringsregion.

Deep learning (DL) har demonstreret state-of-the-art ydeevne på mange medicinske billeddannelsesopgaver såsom klassificering eller segmentering. På trods af betydelige fremskridt inden for DL ​​har den kliniske oversættelse af DL-værktøjer indtil videre været begrænset, delvist på grund af manglende fortolkning af modeller, det såkaldte "black box"-problem. Fortolkning af DL-systemer er vigtig for at fremme klinisk tillid samt rettidig korrigering af eventuelle fejlbehæftede processer i algoritmerne.

Her præsenterer vi en ny fortolkelig DL-ramme (VAE-MLP), som inkorporerer kontrafaktisk analyse til forklaring af 2D medicinske billeder og LRP til forklaring af egenskabstilskrivninger af både medicinske billeder og kliniske variabler.

Målet med dette in-silico kliniske forsøg er at lære om anvendeligheden og den kliniske effektivitet af en fortolkbar deep learning framework (VAE-MLP) ved hjælp af kontrafaktiske forklaringer og lagvis relevansudbredelse til forudsigelse af post-hepatektomi leversvigt (PHLF) hos patienter med hepatocellulært karcinom. De vigtigste spørgsmål, den sigter mod at besvare er:

• At undersøge anvendeligheden af ​​den fortolkbare dybe læringsramme (VAE-MLP) til forklaring af den dybe læringsmodel.
• At undersøge den kliniske effektivitet af den fortolkbare deep learning framework (VAE-MLP) til forudsigelse af post-hepatektomi leversvigt hos patienter med hepatocellulært karcinom.

I usability-forsøget vil klinikere og radiologer blive vist de kontrafaktiske forklaringer og lagvise relevans-udbredelsesplot af 6 eksempler. Scoren på Likert-skalaen i et designet spørgeskema bruges til at evaluere anvendeligheden af ​​rammeværket.

I det kliniske forsøg vil klinikere og radiologer foretage forudsigelsen under to forskellige betingelser: med modelforklaring og uden modelforklaring med en udvaskningsperiode på mindst 14 dage. Nøjagtigheden, sensitiviteten og specificiteten bruges til at sammenligne den kliniske effektivitet af forklaringsrammen.