Usabilidad y eficacia clínica de un marco de aprendizaje profundo interpretable para la predicción de la insuficiencia hepática poshepatectomía

La insuficiencia hepática poshepatectomía (PHLF) es una complicación grave después de la resección hepática. Es importante desarrollar un modelo interpretable para predecir PHLF a fin de facilitar la colaboración efectiva con los médicos para la toma de decisiones. La elastografía de ondas de corte bidimensionales (2D-SWE) es una tecnología de medición de la rigidez hepática (LSM) que demostró ser útil en la estadificación de la fibrosis hepática. Por lo tanto, 2D-SWE muestra el valor potencial para la evaluación de la función hepática y la predicción de PHLF. Las imágenes 2D-SWE muestran un mapa de rigidez del tejido del parénquima hepático codificado por colores, donde el rojo representa un tejido sólido (mayor rigidez) y el azul representa un tejido blando (menor rigidez). El análisis de rutina de 2D-SWE no logra utilizar completamente toda la información disponible en las imágenes y también sufre de variaciones entre observadores al elegir la región de cuantificación óptima.

El aprendizaje profundo (DL) ha demostrado un rendimiento de vanguardia en muchas tareas de imágenes médicas, como la clasificación o la segmentación. Sin embargo, a pesar de los importantes avances en DL, la traducción clínica de las herramientas de DL ha sido limitada hasta ahora, en parte debido a la falta de interpretabilidad de los modelos, el llamado problema de la "caja negra". La interpretabilidad de los sistemas DL es importante para fomentar la confianza clínica y corregir oportunamente cualquier proceso defectuoso en los algoritmos.

Aquí, presentamos un novedoso marco DL interpretable (VAE-MLP) que incorpora análisis contrafactual para la explicación de imágenes médicas 2D y LRP para la explicación de las atribuciones de características tanto de imágenes médicas como de variables clínicas.

El objetivo de este ensayo clínico in-silico es aprender sobre la usabilidad y efectividad clínica de un marco de aprendizaje profundo interpretable (VAE-MLP) utilizando explicaciones contrafácticas y propagación de relevancia por capas para la predicción de la insuficiencia hepática poshepatectomía (PHLF) en pacientes con carcinoma hepatocelular. Las principales preguntas que pretende responder son:

• Investigar la usabilidad del marco interpretable de aprendizaje profundo (VAE-MLP) para la explicación del modelo de aprendizaje profundo.
• Investigar la eficacia clínica del marco de aprendizaje profundo interpretable (VAE-MLP) para la predicción de la insuficiencia hepática poshepatectomía en pacientes con carcinoma hepatocelular.

En la prueba de usabilidad, a los médicos y radiólogos se les mostrarán las explicaciones contrafácticas y los gráficos de propagación de relevancia por capas de 6 ejemplos. La puntuación de la escala Likert de un cuestionario diseñado se utiliza para evaluar la usabilidad del marco.

En el ensayo clínico, los médicos y radiólogos harán la predicción bajo dos condiciones diferentes: con explicación del modelo y sin explicación del modelo con un período de lavado de al menos 14 días. La precisión, sensibilidad y especificidad se utilizan para comparar la eficacia clínica del marco explicativo.