Benutzerfreundlichkeit und klinische Wirksamkeit eines interpretierbaren Deep-Learning-Frameworks für die Vorhersage von Leberversagen nach Hepatektomie

Leberversagen nach Hepatektomie (PHLF) ist eine schwere Komplikation nach einer Leberresektion. Es ist wichtig, ein interpretierbares Modell zur Vorhersage von PHLF zu entwickeln, um eine effektive Zusammenarbeit mit Klinikern bei der Entscheidungsfindung zu erleichtern. Die zweidimensionale Scherwellenelastographie (2D-SWE) ist eine Technologie zur Messung der Lebersteifheit (LSM), die sich bei der Stadieneinteilung der Leberfibrose als nützlich erwiesen hat. Daher zeigt 2D-SWE den potenziellen Wert für die Beurteilung der Leberfunktion und die PHLF-Vorhersage. 2D-SWE-Bilder zeigen eine farbcodierte Karte der Gewebesteifigkeit des Leberparenchyms, wobei Rot für festes Gewebe (höhere Steifheit) und Blau für weiches Gewebe (geringere Steifheit) steht. Die routinemäßige Analyse von 2D-SWE nutzt nicht alle in den Bildern verfügbaren Informationen vollständig aus und leidet außerdem unter der Varianz zwischen Beobachtern bei der Auswahl des optimalen Quantifizierungsbereichs.

Deep Learning (DL) hat bei vielen medizinischen Bildgebungsaufgaben wie Klassifizierung oder Segmentierung Spitzenleistung bewiesen. Trotz erheblicher Fortschritte bei DL war die klinische Umsetzung von DL-Instrumenten bisher jedoch begrenzt, was teilweise auf die mangelnde Interpretierbarkeit der Modelle, das sogenannte „Black-Box“-Problem, zurückzuführen ist. Die Interpretierbarkeit von DL-Systemen ist wichtig für die Förderung des klinischen Vertrauens sowie für die rechtzeitige Korrektur fehlerhafter Prozesse in den Algorithmen.

Hier stellen wir ein neuartiges interpretierbares DL-Framework (VAE-MLP) vor, das eine kontrafaktische Analyse zur Erklärung medizinischer 2D-Bilder und LRP zur Erklärung von Merkmalszuordnungen sowohl medizinischer Bilder als auch klinischer Variablen umfasst.

Das Ziel dieser klinischen In-silico-Studie besteht darin, mehr über die Benutzerfreundlichkeit und klinische Wirksamkeit eines interpretierbaren Deep-Learning-Frameworks (VAE-MLP) zu erfahren, das kontrafaktische Erklärungen und schichtweise Relevanzausbreitung zur Vorhersage von Leberversagen nach Hepatektomie (PHLF) bei Patienten mit verwendet hepatozelluläres Karzinom. Die wichtigsten Fragen, die beantwortet werden sollen, sind:

• Untersuchung der Verwendbarkeit des interpretierbaren Deep-Learning-Frameworks (VAE-MLP) zur Erklärung des Deep-Learning-Modells.
• Untersuchung der klinischen Wirksamkeit des interpretierbaren Deep-Learning-Frameworks (VAE-MLP) zur Vorhersage von Leberversagen nach Hepatektomie bei Patienten mit hepatozellulärem Karzinom.

Im Usability-Test werden den Klinikern und Radiologen die kontrafaktischen Erklärungen und schichtweisen Relevanzausbreitungsdiagramme von 6 Beispielen gezeigt. Die Bewertung der Likert-Skala eines entworfenen Fragebogens wird verwendet, um die Benutzerfreundlichkeit des Frameworks zu bewerten.

In der klinischen Studie werden die Kliniker und Radiologen die Vorhersage unter zwei verschiedenen Bedingungen treffen: mit Modellerklärung und ohne Modellerklärung mit einer Auswaschphase von mindestens 14 Tagen. Die Genauigkeit, Sensitivität und Spezifität werden verwendet, um die klinische Wirksamkeit des Erklärungsrahmens zu vergleichen.