从胸部放射图重新识别患者:一种可解释的深度度度度学习方法及其应用
Matthew S Macpherson1, Charles E Hutchinson1, Carolyn Horst1
1From the Mathematics Institute (M.S.M.), Warwick Medical School (C.E.H.), Department of Statistics (G.M.), and Warwick Manufacturing Group (G.M.), University of Warwick, Coventry CV4 7AL, United Kingdom; Department of Radiology, University Hospitals Coventry and Warwickshire NHS Trust, Coventry, United Kingdom (C.E.H.); School of Biomedical Engineering & Imaging Sciences, King's College London, London, United Kingdom (C.H., V.G.); Department of Radiology, Guy's and St Thomas' NHS Foundation Trust, London, United Kingdom (V.G.); and Alan Turing Institute, London, United Kingdom (G.M.).
Radiology. Artificial intelligence
|December 11, 2023
概括
一个深度学习模型准确地重新识别患者的胸部X射线图,使用人类可解释的特征. 随着时间的推移,这些特征的变化可以表明新的放射性异常.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 深度学习和机器学习
背景情况:
- 在医学成像中重新识别患者对于数据隐私和纵向研究至关重要.
- 可解释的人工智能 (XAI) 对于理解临床环境中的模型决策日益重要.
- 检测纵向成像中的微妙变化可以表明早期的疾病.
研究的目的:
- 开发一种可解释的深度学习模型,用于在胸部X-ray数据集中重新识别患者.
- 评估随着时间的推移,模型识别的患者特征的变化是否可以作为新出现的放射性异常的标记.
主要方法:
- 在来自多家医院的100多万张胸部X射线图上训练了一种深度学习模型.
- 该模型在公共数据集 (ChestX-ray14,CheXpert,MIMIC-CXR) 上进行了验证.
- 一个生成对抗网络 (GAN) 用于模型特征的视觉解释.
主要成果:
- 该模型在患者重新识别 (F1得分高达0.996) 和数据库检索 (精度在1高达0.976) 中实现了高性能.
- 确定的主要特征包括患者的性别,年龄和体重.
- 该模型显示出异常预测的潜力 (AUC 0.73),与年龄预测错误 (AUC 0.58) 相比.
结论:
- 深度学习模型的重新识别特征是人类可解释的.
- 随着时间的推移,这些特征的变化可能表明正在出现的放射性异常.
- 这种方法提供了一种通过纵向胸部X射线分析监测患者健康的新方法.
