可解释的人工智能对可用和可靠的多发性硬化症的计算机辅助诊断来自光学连贯断层扫描

科学领域:

• 眼科医生 眼科 眼科
• 神经科学是一个神经科学.
• 医疗成像医学成像

背景情况:

• 前视觉通路提供了对多发性硬化症 (MS) 轴突退化的动态的洞察.
• 目前的研究重点是识别歧视性特征,并开发可解释的机器学习 (ML) 模型用于临床使用.
• 现有的ML模型往往缺乏透明度,阻碍了临床信任.

研究的目的:

• 用OCT数据比较黑盒ML模型的性能和可解释性与用于MS检测的玻璃盒模型.
• 在视网膜层内识别MS的关键特征.

主要方法:

• 使用后极协议的光学一致性断层扫描 (OCT) 对来自健康对照组的216只眼睛和来自多发性硬化症患者的100只眼睛.
• 从质细胞层 (GCL) 和视网膜神经纤维层 (RNFL) 厚度中提取的特征.
• 用可解释的增强机器 (玻璃盒) 比较梯度增强和随机森林 (黑盒),用SHAP和固有分数评估可解释性.

主要成果:

• 性能最好的模型使用了GCL厚度.
• 可解释性突出显示了性GCL区域,在MS患者中经常变薄.
• 在降低GCL厚度和增加MS概率之间发现了相关性,与临床知识保持一致.

结论:

• 可解释AI (XAI) 为MS诊断的ML模型决策提供了关键的见解.
• 这项研究是向开发可靠的计算机辅助诊断工具迈出的重要一步,用于MS使用OCT.
• 可解释性增强了ML在神经退行性疾病检测中的临床实用性.