Usabilidade e eficácia clínica de uma estrutura interpretável de aprendizado profundo para previsão de insuficiência hepática pós-hepatectomia

A insuficiência hepática pós-hepatectomia (PHLF) é uma complicação grave após a ressecção hepática. É importante desenvolver um modelo interpretável para prever a PHLF, a fim de facilitar a colaboração eficaz com os médicos na tomada de decisões. A elastografia por onda de cisalhamento bidimensional (2D-SWE) é uma tecnologia de medição da rigidez hepática (LSM) que provou ser útil no estadiamento da fibrose hepática. Portanto, o 2D-SWE mostra o valor potencial para avaliação da função hepática e previsão de PHLF. As imagens 2D-SWE exibem um mapa de rigidez tecidual codificado por cores do parênquima hepático, com o vermelho representando um tecido sólido (maior rigidez) e o azul representando um tecido mole (menor rigidez). A análise de rotina do 2D-SWE não utiliza totalmente todas as informações disponíveis nas imagens e também sofre com a variação interobservador na escolha da região de quantificação ideal.

O aprendizado profundo (DL) demonstrou desempenho de última geração em muitas tarefas de imagens médicas, como classificação ou segmentação. No entanto, apesar do progresso significativo na EaD, a tradução clínica das ferramentas de EaD tem sido até agora limitada, em parte devido à falta de interpretabilidade dos modelos, o chamado problema da "caixa preta". A interpretabilidade dos sistemas DL é importante para promover a confiança clínica, bem como para corrigir oportunamente quaisquer processos defeituosos nos algoritmos.

Aqui, apresentamos uma nova estrutura DL interpretável (VAE-MLP) que incorpora análise contrafactual para a explicação de imagens médicas 2D e LRP para a explicação de atribuições de recursos de imagens médicas e variáveis ​​clínicas.

O objetivo deste ensaio clínico in-silico é aprender sobre a usabilidade e eficácia clínica de uma estrutura de aprendizagem profunda interpretável (VAE-MLP) usando explicações contrafactuais e propagação de relevância em camadas para previsão de insuficiência hepática pós-hepatectomia (PHLF) em pacientes com carcinoma hepatocelular. As principais questões que pretende responder são:

• Investigar a usabilidade da estrutura de aprendizagem profunda interpretável (VAE-MLP) para explicação do modelo de aprendizagem profunda.
• Investigar a eficácia clínica da estrutura de aprendizagem profunda interpretável (VAE-MLP) para previsão de insuficiência hepática pós-hepatectomia em pacientes com carcinoma hepatocelular.

No teste de usabilidade, os médicos e radiologistas verão as explicações contrafactuais e os gráficos de propagação de relevância em camadas de 6 exemplos. A pontuação da escala Likert de um questionário elaborado é usada para avaliar a usabilidade do framework.

No ensaio clínico, os médicos e radiologistas farão a previsão sob duas condições diferentes: com explicação do modelo e sem explicação do modelo, com um período de washout de pelo menos 14 dias. A precisão, sensibilidade e especificidade são usadas para comparar a eficácia clínica da estrutura explicativa.