関連する実験動画
Updated: May 7, 2026
14:15
Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery
Published on: January 11, 2020
7.2K
頭頸部がん放射線治療のリスクのある臓器のセグメンテーションのためのコンボリューションニューラルネットワークの説明性
Victor I J Strijbis1, Oliver J Gurney-Champion2, Dragos I Grama1
1Amsterdam UMC Location Vrije Universiteit Amsterdam, Department of Radiation Oncology, De Boelelaan 1117, 1081 HV, Amsterdam, the Netherlands; Cancer Center Amsterdam, Cancer Treatment and Quality of Life, De Boelelaan 1118, 1081 HV, Amsterdam, the Netherlands.
Computers in biology and medicine
|August 20, 2025
まとめ
説明可能なAI方法は,CNCにおける不十分な自己線形腺 (PG) のセグメンテーションを予測することができます. XAI属性のトポロジカルデータ分析は,不適切なコントールを正確に標識し,臨床安全性を改善します.
科学分野:
- 医療用イメージング
- 人工知能
- 放射線治療の計画
背景:
- コンヴォルションニューラルネットワーク (CNN) は,放射線治療におけるリスクのある臓器の自動コントーリングを標準化します.
- CNNの故障モードを理解することは 安全な臨床展開に不可欠ですが ブラックボックスの性質は 洞察力を制限しています
- 説明可能な人工知能 (XAI) は,CNNの意思決定プロセスを調査する方法を提案しています.
研究 の 目的:
- XAIを使ってCNNのセグメンテーションの 内部メカニズムを調査する
- 潜在的に不十分な腺 (PG) の輪郭を事前に特定するための計算アプローチを開発する.
- XAI信号の特性を定量化するためのトポロジカルデータ分析の有用性を評価する.
主な方法:
- 合成と臨床CTスキャンでのPGセグメンテーションのための訓練された3DUNET.
- 7つのXAI方法を用いてアトリビューションマップを作成し,専門家の推論と一致性を定性的に評価しました.
- XAI属性を分析するために,Euler特性 (EC) プロファイルの持続的なホモロジー強度フィルタリングと主要成分 (PC) 分析を使用した.
- 外部データセットの感度,特異性,AUROCを使用して評価されたダイス-ソレンセン類似度係数 (DSC) と相関するPC固有値.
主要な成果:
- 誘導向上の伝播 (GBP) とPatternNet属性 (PNet-A) は,PGセグメンテーションに関する専門家の推論と質的に一致していることを示した.
- ガイドドグラデントクラスアクティベーションマッピング (GGCAM) は,DSC (AUROC=0. 94) の強力な予測値を示した.
- GGCAM ECプロファイルの特異的な特徴 (λ1 < -1. 8e3) は,高感度および特異性を持つ不十分な輪郭の87%を特定しました.
結論:
- XAIの方法,特にGBPとPNet-Aは,CNNによるPGセグメンテーションに関する洞察を提供します.
- XAI属性のトポロジカルデータ分析は,潜在的に不適切なCNNセグメンテーションを標識するための定量的な方法を提供します.
- PGで実証されたこのアプローチは,他のOARと放射線治療計画における目標量に拡張できます.
