肝切除後の肝不全予測のための解釈可能な深層学習フレームワークのユーザビリティと臨床効果

肝切除後肝不全（PHLF）は、肝臓切除後の重篤な合併症です。 意思決定において臨床医との効果的な協力を促進するには、PHLF を予測するための解釈可能なモデルを開発することが重要です。 二次元せん断波エラストグラフィー (2D-SWE) は、肝線維化の病期分類に有用であることが証明された肝硬さ測定 (LSM) 技術です。 したがって、2D-SWE は肝機能評価と PHLF 予測の潜在的な値を示します。 2D-SWE 画像には、肝実質の色分けされた組織剛性マップが表示されます。赤は固形組織 (より高い剛性) を表し、青は軟組織 (より低い剛性) を表します。 2D-SWE の日常的な分析では、画像内で利用可能なすべての情報を十分に活用することができず、最適な定量化領域の選択における観察者間のばらつきにも悩まされます。

ディープラーニング (DL) は、分類やセグメンテーションなどの多くの医療画像タスクで最先端のパフォーマンスを実証しています。 しかし、DL の大幅な進歩にも関わらず、モデルの解釈可能性の欠如、いわゆる「ブラック ボックス」問題のせいで、DL ツールの臨床翻訳はこれまでのところ限られています。 DL システムの解釈可能性は、臨床の信頼を育むだけでなく、アルゴリズム内の欠陥のあるプロセスをタイムリーに修正するためにも重要です。

ここでは、2D 医用画像の説明のための反事実分析と、医用画像と臨床変数の両方の特徴属性の説明のための LRP を組み込んだ、新しい解釈可能な DL フレームワーク (VAE-MLP) を紹介します。

このインシリコ臨床試験の目的は、肝切除後肝不全 (PHLF) 患者の肝切除後肝不全 (PHLF) を予測するための、反事実の説明と層ごとの関連性伝播を使用した解釈可能な深層学習フレームワーク (VAE-MLP) の有用性と臨床的有効性について学ぶことです。肝細胞癌。 回答することを目的とした主な質問は次のとおりです。

• 深層学習モデルの説明におけるインタープリタブル深層学習フレームワーク(VAE-MLP)の有用性を調査する。
• 肝細胞癌患者における肝切除後の肝不全を予測するための解釈可能な深層学習フレームワーク (VAE-MLP) の臨床的有効性を調査する。

ユーザビリティ試験では、臨床医と放射線科医に、反事実の説明と 6 つの例の階層的な関連性伝播プロットが表示されます。 設計されたアンケートのリッカートスケールのスコアは、フレームワークの使いやすさを評価するために使用されます。

臨床試験では、臨床医と放射線科医は 2 つの異なる条件下で予測を行います。モデル説明ありとモデル説明なし、少なくとも 14 日間のウォッシュアウト期間です。 精度、感度、特異度は、説明フレームワークの臨床有効性を比較するために使用されます。