Tulkittavan syvän oppimiskehyksen käytettävyys ja kliininen tehokkuus hepatektomian jälkeisen maksan vajaatoiminnan ennustamiseen

Hepatektomian jälkeinen maksan vajaatoiminta (PHLF) on vakava komplikaatio maksan resektion jälkeen. On tärkeää kehittää tulkittava malli PHLF:n ennustamiseen, jotta voidaan helpottaa tehokasta yhteistyötä kliinikkojen kanssa päätöksenteossa. Kaksiulotteinen leikkausaaltoelalastografia (2D-SWE) on maksan jäykkyyden mittaustekniikka (LSM), joka on osoittautunut hyödylliseksi maksafibroosin vaiheittamisessa. Siksi 2D-SWE näyttää mahdollisen arvon maksan toiminnan arvioinnissa ja PHLF-ennusteessa. 2D-SWE-kuvat näyttävät värikoodatun maksan parenkyymin kudosten jäykkyyskartan, jossa punainen edustaa kiinteää kudosta (suurempi jäykkyys) ja sininen edustaa pehmytkudosta (pienempi jäykkyys). 2D-SWE:n rutiinianalyysi ei pysty täysin hyödyntämään kaikkia kuvissa saatavilla olevia tietoja, ja se kärsii myös tarkkailijoiden välisestä varianssista optimaalisen kvantifiointialueen valinnassa.

Deep learning (DL) on osoittanut huippuluokan suorituskykyä monissa lääketieteellisissä kuvantamistehtävissä, kuten luokittelussa tai segmentoinnissa. DL:n merkittävästä edistymisestä huolimatta DL-työkalujen kliininen käännös on kuitenkin toistaiseksi ollut rajallista, mikä johtuu osittain mallien tulkittavuuden puutteesta, niin kutsutusta "mustan laatikon" ongelmasta. DL-järjestelmien tulkittavuus on tärkeää kliinisen luottamuksen edistämiseksi sekä algoritmien virheellisten prosessien oikea-aikaiseksi korjaamiseksi.

Tässä esittelemme uuden tulkittavissa olevan DL-kehyksen (VAE-MLP), joka sisältää kontrafaktuaalisen analyysin 2D-lääketieteellisten kuvien selittämiseksi ja LRP-analyysin sekä lääketieteellisten kuvien että kliinisten muuttujien ominaisuusmääritteiden selittämiseksi.

Tämän kliinisen in-silico-tutkimuksen tavoitteena on oppia tulkittavan syväoppimiskehyksen (VAE-MLP) käytettävyydestä ja kliinisestä tehokkuudesta käyttämällä kontrafaktuaalisia selityksiä ja kerroksittain tapahtuvaa relevanssia leviämistä hepatektomian jälkeisen maksan vajaatoiminnan (PHLF) ennustamiseen potilailla, joilla on hepatosellulaarinen syöpä. Pääkysymykset, joihin se pyrkii vastaamaan, ovat:

• Selvittää tulkittavan syväoppimiskehyksen (VAE-MLP) käytettävyyttä syväoppimismallin selittämiseen.
• Tutkia tulkittavan syväoppimiskehyksen (VAE-MLP) kliinistä tehokkuutta hepatektomian jälkeisen maksan vajaatoiminnan ennustamisessa potilailla, joilla on hepatosellulaarinen karsinooma.

Käytettävyyskokeessa kliinikoille ja radiologeille näytetään kuuden esimerkin kontrafaktuaaliset selitykset ja kerroksittainen relevanssin etenemiskaaviot. Suunnitellun kyselylomakkeen Likert-asteikon arvosanalla arvioidaan viitekehyksen käytettävyyttä.

Kliinisessä tutkimuksessa kliinikot ja radiologit tekevät ennusteen kahdessa eri tilanteessa: malliselityksellä ja ilman mallin selitystä vähintään 14 päivän huuhtoutumisajalla. Tarkkuutta, herkkyyttä ja spesifisyyttä käytetään vertaamaan selityskehyksen kliinistä tehokkuutta.