간절제 후 간부전 예측을 위한 해석 가능한 딥러닝 프레임워크의 유용성 및 임상적 효과

간절제 후 간부전(PHLF)은 간 절제술 후 심각한 합병증입니다. 의사결정을 위해 임상의와의 효과적인 협력을 촉진하려면 PHLF를 예측하기 위한 해석 가능한 모델을 개발하는 것이 중요합니다. 2차원 전단파 탄성촬영술(2D-SWE)은 간 섬유증 병기 결정에 유용한 것으로 입증된 간 강성 측정(LSM) 기술입니다. 따라서 2D-SWE는 간 기능 평가 및 PHLF 예측에 대한 잠재적 가치를 보여줍니다. 2D-SWE 이미지는 간 실질의 색상으로 구분된 조직 강성 맵을 표시하며, 빨간색은 고형 조직(강성이 높음)을 나타내고 파란색은 연조직(낮은 강성)을 나타냅니다. 2D-SWE의 일상적인 분석은 이미지에서 사용 가능한 모든 정보를 완전히 활용하지 못하며 최적의 정량화 영역을 선택할 때 관찰자 간 차이로 인해 어려움을 겪습니다.

딥 러닝(DL)은 분류 또는 세분화와 같은 많은 의료 영상 작업에서 최첨단 성능을 입증했습니다. 그러나 DL의 상당한 진전에도 불구하고 DL 도구의 임상적 번역은 부분적으로 소위 "블랙박스" 문제인 모델의 해석성 부족으로 인해 제한적이었습니다. DL 시스템의 해석성은 임상적 신뢰를 조성하고 알고리즘의 잘못된 프로세스를 적시에 수정하는 데 중요합니다.

여기에서는 2D 의료 이미지 설명을 위한 반사실적 분석과 의료 이미지와 임상 변수의 특징 속성 설명을 위한 LRP를 통합한 새로운 해석 가능한 DL 프레임워크(VAE-MLP)를 제시합니다.

이 인실리코 임상 시험의 목표는 다음과 같은 환자의 간절제 후 간부전(PHLF) 예측을 위한 반사실적 설명과 계층별 관련성 전파를 사용하여 해석 가능한 딥 러닝 프레임워크(VAE-MLP)의 유용성과 임상 효과에 대해 알아보는 것입니다. 간세포 암. 답변하려는 주요 질문은 다음과 같습니다.

• 딥러닝 모델 설명을 위해 해석 가능한 딥러닝 프레임워크(VAE-MLP)의 유용성을 조사합니다.
• 간세포암종 환자의 간절제 후 간부전 예측을 위한 해석 가능한 딥러닝 프레임워크(VAE-MLP)의 임상적 효과를 조사합니다.

유용성 시험에서 임상의와 방사선 전문의는 6가지 사례에 대한 반사실적 설명과 계층별 관련성 전파 플롯을 보여줍니다. 설계된 설문지의 Likert 척도 점수는 프레임워크의 유용성을 평가하는 데 사용됩니다.

임상 시험에서 임상의와 방사선 전문의는 모델 설명이 있는 조건과 모델 설명이 없는 조건, 휴약 기간이 최소 14일인 조건 하에서 예측을 내립니다. 정확성, 민감도 및 특이성은 설명 프레임워크의 임상적 유효성을 비교하는 데 사용됩니다.