解读机器学习决策以区分后腔瘤类型使用MRI功能:数据告诉我们什么?
Toygar Tanyel1, Chandran Nadarajan2, Nguyen Minh Duc3
1Department of Computer Engineering, Yildiz Technical University, Istanbul 34349, Türkiye.
Cancers
|August 26, 2023
概括
这项研究解释了机器学习 (ML) 的决定,用于使用MRI功能诊断儿科后瘤. 简化方法提高了医学诊断中ML模型的可解释性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 机器学习 (ML) 模型越来越多地用于关键决策,但它们的复杂性阻碍了可解释性和人类控制.
- 诊断儿科后腔瘤往往依赖于复杂的成像分析,这对一致的解释提出了挑战.
研究的目的:
- 为ML模型决定在诊断四种类型的后腔瘤时提供解释:脑髓母细胞瘤,脑内膜瘤,小细胞天体细胞瘤和脑干结质瘤.
- 弥合有关儿童脑瘤诊断中ML模型行为和医疗结果之间的关系的知识差距.
主要方法:
- 用高斯分布对个体MRI特征分析进行核密度估计.
- 分析了MRI特征之间的关系,并进行了全面的ML模型行为分析.
- 在没有非常大的数据集的情况下,采用了简化数据分析方法.
主要成果:
- 确定并验证了儿童脑瘤诊断的可区分的MRI特征.
- 证明了一种简单的分析方法可以产生更明显和更容易解释的结果.
- 确认了预分析结果,ML模型输出和现有临床发现之间的一致一致.
结论:
- 拟议的方法提供了一种可靠的手段,用于解释儿科后瘤的ML驱动诊断.
- 可解释的ML模型可以增强用于瘤诊断的关键MRI特征的识别和验证.
- 这项研究强调了简化分析方法在改善医学应用中的ML解释性方面的价值.
