用于肝切除术后肝衰竭预测的可解释深度学习框架的可用性和临床有效性

肝切除术后肝衰竭（PHLF）是肝切除术后的严重并发症。 开发一个可解释的模型来预测 PHLF 非常重要，以促进与临床医生的有效合作进行决策。 二维剪切波弹性成像（2D-SWE）是一种肝脏硬度测量（LSM）技术，已被证明可用于肝纤维化分期。 因此，2D-SWE 显示了肝功能评估和 PHLF 预测的潜在价值。 2D-SWE 图像显示肝实质的颜色编码组织硬度图，红色代表实体组织（硬度较高），蓝色代表软组织（硬度较低）。 2D-SWE 的常规分析无法充分利用图像中的所有可用信息，并且在选择最佳量化区域时还存在观察者间差异。

深度学习 (DL) 在许多医学成像任务（例如分类或分割）上展示了最先进的性能。 然而，尽管深度学习取得了重大进展，但迄今为止深度学习工具的临床转化仍然有限，部分原因是模型缺乏可解释性，即所谓的“黑匣子”问题。 深度学习系统的可解释性对于培养临床信任以及及时纠正算法中的任何错误过程非常重要。

在这里，我们提出了一种新颖的可解释 DL 框架（VAE-MLP），它结合了用于解释 2D 医学图像的反事实分析和用于解释医学图像和临床变量的特征属性的 LRP。

这项计算机模拟临床试验的目标是了解可解释的深度学习框架 (VAE-MLP) 的可用性和临床有效性，该框架使用反事实解释和分层相关性传播来预测肝切除术后肝衰竭 (PHLF) 患者肝细胞癌。 它旨在回答的主要问题是：

• 研究可解释深度学习框架 (VAE-MLP) 在解释深度学习模型方面的可用性。
• 探讨可解释深度学习框架（VAE-MLP）预测肝细胞癌患者肝切除术后肝功能衰竭的临床有效性。

在可用性试验中，临床医生和放射科医生将看到 6 个示例的反事实解释和分层相关性传播图。 设计的问卷的李克特量表分数用于评估框架的可用性。

在临床试验中，临床医生和放射科医生将在两种不同的条件下进行预测：有模型解释和无模型解释，洗脱期至少为 14 天。 准确性、敏感性和特异性用于比较解释框架的临床有效性。