Wyjaśnialne uczenie maszynowe do oceny przeszczepów od dawców podczas przeszczepiania wątroby

Z klinicznego punktu widzenia ocena narządów jest zwykle przeprowadzana przez starszych chirurgów w oparciu o ich doświadczenie oraz wizualną i dotykową kontrolę przeszczepu podczas pobierania. Udowodniono jednak, że intuicja transplantologów w zakresie oceny ryzyka dawcy i oceny stłuszczenia jest niespójna i zwykle niedokładna. Poza tym ocena przeszczepu jest procesem dynamicznym, dotyczącym wielu złożonych czynników, co jest uważane za niezwykle skomplikowaną zależność o charakterze nieliniowym. Niestety, modne klasyczne techniki statystyczne, takie jak regresja wielokrotna, wymagają statystycznego założenia niezależnych i liniowych zależności między zmiennymi objaśniającymi i zmiennymi wynikowymi i nie pozwalają na analizę dużej liczby zmiennych. Próbowaliśmy opracować modele oceny przeszczepu wątroby poprzez przewidywanie pooperacyjnego DGF przy użyciu kilku technik ML. Po drugie, najlepszy model predykcyjny wybrano poprzez porównanie wydajności różnych algorytmów AI i regresji logistycznej. Na koniec staraliśmy się wyjaśnić decyzję podjętą przez algorytmy sztucznej inteligencji za pomocą algorytmu wizualizacji opartego na najlepszym modelu predykcyjnym, pomagając klinicystom ocenić konkretny narząd i to, czy go otrzymać, co może spowodować rozwój DGF po operacji.