一个基于超声波的人类可解读的机器学习管道,以支持leiomyosarcoma诊断
Angela Lombardi1, Francesca Arezzo2, Eugenio Di Sciascio1
1Department of Electrical and Information Engineering (DEI), Politecnico di Bari, Bari, Italy.
Artificial intelligence in medicine
|December 2, 2023
概括
这项研究开发了一种人类可解释的机器学习 (ML) 管道,以使用临床和超声波数据准确地区分子宫乳腺肌肉瘤 (LMS) 和纤维瘤. ML模型实现了高性能,有助于手术前诊断和手术规划.
科学领域:
- 妇科瘤学 妇科瘤学
- 医疗成像医学成像
- 医疗保健中的机器学习
背景情况:
- 术前诊断子宫乳腺肌肉瘤 (LMS) 是具有挑战性的,因为与良性乳腺肌肉瘤重叠的特征.
- 准确的区分对于及时治疗和适当的手术规划至关重要.
研究的目的:
- 开发和验证人类可解释的机器学习 (ML) 管道,用于手术前从肌瘤中诊断LMS的差异诊断.
- 通过提供可理解的ML模型解释来增强临床决策.
主要方法:
- 使用68名患者 (8名患有LMS) 的临床和妇科超声波数据开发了一个机器学习管道.
- 该管道使用合成过量采样解决了类不平衡问题,并评估了各种分类算法.
- 使用SHAP值和自然语言翻译模块实现了可解释性.
主要成果:
- 最好的ML策略实现了高性能,AUC为0.99和F1得分为0.87.
- 瘤边界和超声波上的损伤一致性被确定为强有力的预测特征.
- SHAP算法量化了局部特征影响,NL解释提高了可解释性.
结论:
- 人类可解读的ML管道在手术前区分LMS和瘤方面表现出高准确性.
- 该模型的可解释性增强了临床信任,并促进了ML在妇科实践中的采用.
- 超声波特征,如瘤边界和一致性是LMS的关键区分因素.
