Объяснимое машинное обучение для оценки донорских трансплантатов при трансплантации печени

Клинически оценка органов обычно проводится старшими хирургами на основе их опыта, а также визуального и тактильного осмотра трансплантата во время его получения. Однако доказано, что интуиция трансплантологов в оценке донорского риска и стеатоза противоречива и обычно неточна. Кроме того, оценка взяточничества — это динамический процесс, включающий множество сложных факторов, который считается невероятно сложной взаимосвязью, имеющей нелинейный характер. К сожалению, модные классические статистические методы, такие как множественная регрессия, требуют статистических предположений о независимых и линейных отношениях между объясняющими и результирующими переменными и не позволяют анализировать большое количество переменных. Мы попытались разработать модели оценки трансплантата печени, прогнозируя послеоперационный DGF, используя несколько методов ML. Во-вторых, лучшая модель прогнозирования была выбрана путем сравнения производительности различных алгоритмов ИИ и логистической регрессии. Наконец, мы попытались объяснить решение, принятое алгоритмами ИИ, используя алгоритм визуализации, основанный на лучшей модели прогнозирования, помогая клиницистам оценить конкретный орган и определить, следует ли получать его, если в послеоперационном периоде может развиться ДФР.