Użyteczność i skuteczność kliniczna interpretowalnych ram głębokiego uczenia się do przewidywania niewydolności wątroby po hepatektomii

Niewydolność wątroby po hepatektomii (PHLF) jest poważnym powikłaniem po resekcji wątroby. Ważne jest opracowanie możliwego do interpretacji modelu przewidywania PHLF, aby ułatwić skuteczną współpracę z lekarzami przy podejmowaniu decyzji. Dwuwymiarowa elastografia fali ścinającej (2D-SWE) to technologia pomiaru sztywności wątroby (LSM), która okazała się przydatna w ocenie stopnia zaawansowania zwłóknienia wątroby. Dlatego 2D-SWE pokazuje potencjalną wartość w ocenie funkcji wątroby i przewidywaniu PHLF. Obrazy 2D-SWE przedstawiają oznaczoną kolorami mapę sztywności tkanki miąższu wątroby, gdzie kolor czerwony oznacza tkankę stałą (większa sztywność), a kolor niebieski oznacza tkankę miękką (mniejsza sztywność). Rutynowa analiza 2D-SWE nie wykorzystuje w pełni wszystkich informacji dostępnych na obrazach, a także charakteryzuje się rozbieżnościami między obserwatorami w wyborze optymalnego obszaru kwantyfikacji.

Głębokie uczenie się (DL) wykazało najnowocześniejszą wydajność w wielu zadaniach obrazowania medycznego, takich jak klasyfikacja i segmentacja. Jednak pomimo znacznego postępu w DL, kliniczne zastosowanie narzędzi DL było jak dotąd ograniczone, częściowo ze względu na brak możliwości interpretacji modeli, tzw. problem „czarnej skrzynki”. Interpretowalność systemów DL jest ważna dla budowania zaufania klinicznego, a także szybkiego korygowania wszelkich błędnych procesów w algorytmach.

Tutaj przedstawiamy nowatorską interpretowalną strukturę DL (VAE-MLP), która obejmuje analizę kontrfaktyczną w celu wyjaśnienia dwuwymiarowych obrazów medycznych i LRP w celu wyjaśnienia przypisań cech zarówno obrazów medycznych, jak i zmiennych klinicznych.

Celem tego badania klinicznego in silico jest poznanie użyteczności i skuteczności klinicznej interpretowalnych ram głębokiego uczenia się (VAE-MLP) przy użyciu wyjaśnień kontrfaktycznych i propagacji istotności warstwowej w celu przewidywania niewydolności wątroby po hepatektomii (PHLF) u pacjentów z rak wątrobowokomórkowy. Główne pytania, na które ma odpowiedzieć, to:

• Zbadanie użyteczności interpretowalnych ram głębokiego uczenia się (VAE-MLP) do wyjaśnienia modelu głębokiego uczenia się.
• Zbadanie skuteczności klinicznej interpretowalnego modelu głębokiego uczenia się (VAE-MLP) w przewidywaniu niewydolności wątroby po hepatektomii u pacjentów z rakiem wątrobowokomórkowym.

W próbie użyteczności klinicyści i radiolodzy zobaczą wyjaśnienia kontrfaktyczne i wykresy propagacji istotności warstwowej dla 6 przykładów. Do oceny użyteczności frameworka wykorzystuje się wynik skali Likerta zaprojektowanego kwestionariusza.

W badaniu klinicznym klinicyści i radiolodzy dokonają prognoz w dwóch różnych warunkach: z wyjaśnieniem modelu i bez wyjaśnienia modelu, z okresem wymywania wynoszącym co najmniej 14 dni. Dokładność, czułość i swoistość służą do porównania skuteczności klinicznej ram wyjaśniających.