Magyarázható gépi tanulás a donor graftok értékeléséhez májtranszplantációban

Klinikai szempontból a szervértékelést általában a vezető sebészek végzik tapasztalataik, valamint a graft vizuális és tapintási vizsgálata alapján a gyűjtés során. Azonban bebizonyosodott, hogy a transzplantációs sebészek intuíciója a donor kockázatának értékelésében és a steatosis becslésében inkonzisztens és általában pontatlan. Emellett a graftértékelés egy dinamikus folyamat, amely összetett tényezők sokaságára vonatkozik, ami egy hihetetlenül bonyolult, nemlineáris jellegű kapcsolatnak tekinthető. Sajnos a divatos klasszikus statisztikai technikák, mint például a többszörös regresszió, megkövetelik a magyarázó és kimeneti változók közötti független és lineáris kapcsolatok statisztikai feltételezését, és nem elemeznek nagyszámú változót. Májgraft értékelési modelleket próbáltunk kidolgozni a posztoperatív DGF előrejelzésével számos ML technikával. Másodszor, a legjobb előrejelzési modellt a különböző AI-algoritmusok teljesítményének és a logisztikus regressziónak az összehasonlításával választottuk ki. Végül arra törekedtünk, hogy megmagyarázzuk az AI algoritmusok által hozott döntést a legjobb előrejelzési modellen alapuló vizualizációs algoritmus segítségével, segítve a klinikusokat az adott szerv értékelésében, és abban, hogy kapjanak-e olyan szervet, amely a műtét után alakulhat ki DGF-en.