Usabilità ed efficacia clinica di un quadro interpretabile di deep learning per la previsione dell'insufficienza epatica post-epatectomia

L’insufficienza epatica post-epatectomia (PHLF) è una grave complicanza dopo la resezione epatica. È importante sviluppare un modello interpretabile per prevedere il PHLF al fine di facilitare una collaborazione efficace con i medici per il processo decisionale. L'elastografia bidimensionale delle onde di taglio (2D-SWE) è una tecnologia di misurazione della rigidità epatica (LSM) che si è rivelata utile nella stadiazione della fibrosi epatica. Pertanto 2D-SWE mostra il potenziale valore per la valutazione della funzionalità epatica e la previsione del PHLF. Le immagini 2D-SWE mostrano una mappa della rigidità dei tessuti codificata a colori del parenchima epatico, con il rosso che rappresenta un tessuto solido (rigidità maggiore) e il blu che rappresenta un tessuto molle (rigidità inferiore). L'analisi di routine di 2D-SWE non riesce a utilizzare appieno tutte le informazioni disponibili nelle immagini e soffre anche di varianza tra osservatori nella scelta della regione di quantificazione ottimale.

Il deep learning (DL) ha dimostrato prestazioni all'avanguardia in molte attività di imaging medico come la classificazione o la segmentazione. Tuttavia, nonostante i significativi progressi nel DL, la traduzione clinica degli strumenti del DL è stata finora limitata, in parte a causa della mancanza di interpretabilità dei modelli, il cosiddetto problema della “scatola nera”. L’interpretabilità dei sistemi DL è importante per promuovere la fiducia clinica e per correggere tempestivamente eventuali processi difettosi negli algoritmi.

Qui presentiamo un nuovo framework DL interpretabile (VAE-MLP) che incorpora l'analisi controfattuale per la spiegazione delle immagini mediche 2D e LRP per la spiegazione delle attribuzioni delle caratteristiche sia delle immagini mediche che delle variabili cliniche.

L'obiettivo di questo studio clinico in silico è quello di conoscere l'usabilità e l'efficacia clinica di un quadro di apprendimento profondo interpretabile (VAE-MLP) utilizzando spiegazioni controfattuali e propagazione della pertinenza a strati per la previsione dell'insufficienza epatica post-epatectomia (PHLF) in pazienti con carcinoma epatocellulare. Le principali domande a cui si propone di rispondere sono:

• Studiare l'usabilità del framework di deep learning interpretabile (VAE-MLP) per la spiegazione del modello di deep learning.
• Studiare l'efficacia clinica del quadro di apprendimento profondo interpretabile (VAE-MLP) per la previsione dell'insufficienza epatica post-epatectomia in pazienti con carcinoma epatocellulare.

Nella prova di usabilità ai medici e ai radiologi verranno mostrate le spiegazioni controfattuali e i grafici di propagazione della rilevanza a livello di 6 esempi. Il punteggio della scala Likert di un questionario progettato viene utilizzato per valutare l'usabilità del framework.

Nello studio clinico i medici e i radiologi faranno la previsione in due diverse condizioni: con spiegazione del modello e senza spiegazione del modello con un periodo di washout di almeno 14 giorni. L'accuratezza, la sensibilità e la specificità vengono utilizzate per confrontare l'efficacia clinica del quadro esplicativo.