深度学习的临床解释性,用于通过使用注意力机制预测肝细胞癌中的微血管入侵
Huayu You1, Jifei Wang1, Ruixia Ma1
1Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University, 58th the Second Zhongshan Road, Guangzhou 510080, China.
Bioengineering (Basel, Switzerland)
|August 26, 2023
概括
这项研究开发了一种可解释的深度学习模型,用于使用多相MRI预测肝细胞癌 (HCC) 中的微血管入侵 (MVI). 该模型实现了高精度,并提供视觉解释,增强了临床信心.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 微血管侵袭 (MVI) 的术前预测对于管理肝细胞癌 (HCC) 至关重要.
- 目前用于MVI预测的深度学习模型往往缺乏临床解释性,阻碍了它们的采用.
- 加多酸增强型MRI为HCC评估提供了有价值的信息.
研究的目的:
- 开发一种可解释的深度学习模型,用于使用多相MRI预测HCC中的MVI.
- 利用以注意为导向的特征融合网络来增强模型的可解释性.
- 用注意力权重来视觉解释模型的预测决策.
主要方法:
- 一项对210名HCC患者进行的回顾性研究,这些患者接受了加达克塞增强型MRI.
- 开发单相和多相深度学习模型,使用前对比,动脉,门口和肝胆相 (HBP).
- 实现特征融合和可解释性的注意力内部和注意力之间的模块.
主要成果:
- 四相聚变模型实现了0.92的最高AUC,超过了单相模型 (AUC 0.75-0.91).
- 注意热图确定了瘤边缘和周区域 (动脉阶段,HBP) 作为MVI预测的突出因素.
- HBP被确定为模型对MVI预测最有影响的阶段.
结论:
- 注意引导网络成功地提高了HCC MVI预测的深度学习模型的临床可解释性.
- 从注意热图中获得的视觉解释增加了临床医生对应用人工智能工具的信心.
- 这种可解释的模型可以帮助为HCC患者做出个性化治疗决策.
