Selitettävä koneoppiminen luovuttajasiirteiden arvioimiseksi maksansiirrossa

Kliinisesti elinten arvioinnin suorittavat yleensä vanhemmat kirurgit kokemuksensa ja siirteen visuaalisen ja taktisen tarkastuksen perusteella. On kuitenkin todistettu, että siirtokirurgien intuitio luovuttajan riskin arvioinnissa ja steatoosin arvioinnissa on epäjohdonmukainen ja yleensä epätarkka. Lisäksi siirteen arviointi on monimutkaisten tekijöiden määrään liittyvä dynaaminen prosessi, jota pidetään uskomattoman monimutkaisena ja luonteeltaan epälineaarisena suhteena. Valitettavasti muodissa olevat klassiset tilastotekniikat, kuten moninkertainen regressio, edellyttävät tilastollista oletusta itsenäisistä ja lineaarisista suhteista selittävien ja tulosmuuttujien välillä, eivätkä ne pysty analysoimaan suurta määrää muuttujia. Yritimme kehittää maksasiirteen arviointimalleja ennustamalla postoperatiivista DGF:ää useilla ML-tekniikoilla. Toiseksi paras ennustemalli valittiin vertaamalla eri tekoälyalgoritmien suorituskykyä ja logistista regressiota. Lopuksi pyrimme selittämään tekoälyalgoritmien tekemää päätöstä käyttämällä parhaaseen ennustemalliin perustuvaa visualisointialgoritmia, mikä auttoi kliinikoita arvioimaan tiettyä elintä ja sitä, onko mahdollista saada DGF:ää leikkauksen jälkeen.