Interpretación de la explicabilidad de la red neuronal convolucional para la segmentación de órganos en riesgo de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Planificación de la radioterapia

Sus antecedentes:

• Las Redes Neurales Convolucionales (RNN) estandarizan el auto contorno de los órganos en riesgo (OAR) en la radioterapia.
• Comprender los modos de falla de la CNN es crucial para el despliegue clínico seguro, pero su naturaleza de caja negra limita la visión.
• La Inteligencia Artificial Explicable (XAI) ofrece métodos para investigar los procesos de toma de decisiones de la CNN.

Objetivo del estudio:

• Para investigar los mecanismos internos de la CNN para la segmentación utilizando XAI.
• Desarrollar un enfoque computacional para la identificación a priori de los contornos potencialmente insuficientes de la glándula parótida (PG).
• Evaluar la utilidad del análisis de datos topológicos para cuantificar las características de la señal XAI.

Principales métodos:

• Las redes 3D UNET entrenadas para la segmentación PG en tomografías computarizadas sintéticas y clínicas.
• Se generaron mapas de atribución utilizando siete métodos XAI y se evaluó cualitativamente la congruencia con el razonamiento de expertos.
• Se emplearon filtraciones de intensidad de homología persistente y análisis de componentes principales (PC) de perfiles de características de Euler (EC) para analizar las atribuciones de XAI.
• Valores propios de PC correlacionados con el coeficiente de similitud de Dice-Sørensen (DSC) y evaluados utilizando sensibilidad, especificidad y AUROC en un conjunto de datos externo.

Principales resultados:

• La retropropagación guiada (GBP) y las atribuciones de PatternNet (PNet-A) mostraron un acuerdo cualitativo con el razonamiento de expertos para la segmentación PG.
• El mapeo guiado de activación de clases de gradientes (GGCAM) mostró un fuerte valor predictivo para el DSC (AUROC = 0,94).
• Las características específicas del perfil EC de GGCAM (λ1 < -1,8e3) identificaron el 87% de los contornos insuficientes con alta sensibilidad y especificidad.

Conclusiones:

• Los métodos XAI, en particular GBP y PNet-A, proporcionan información sobre la segmentación de PG por las CNN.
• El análisis de datos topológicos de las atribuciones de XAI ofrece un método cuantitativo para señalar segmentaciones de CNN potencialmente inadecuadas.
• Este enfoque, demostrado para PG, puede extenderse a otros OAR y volúmenes objetivo en la planificación de la radioterapia.