一个可解释的机器学习模型,以基于临床数据和定性超声波指标的固体附质量诊断
Annarita Fanizzi1, Francesca Arezzo2,3, Gennaro Cormio2,4
1Laboratorio Biostatistica e Bioinformatica, I.R.C.C.S. Istituto Tumori 'Giovanni Paolo II', Bari, Italy.
Cancer medicine
|June 26, 2024
概括
这项研究引入了一个可解释的AI模型来诊断固体附质量,达到86.36%的准确性. 该模型提供了明确的决策见解,提高了卵巢瘤特征的临床可用性.
科学领域:
- 妇科瘤学 妇科瘤学
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 准确的新诊断的固体附病变的特征对于治疗规划至关重要.
- 尽管存在指导方针,但卵巢瘤评估可能具有挑战性.
- 机器学习 (ML) 是有前途的,但往往充当"黑子",限制了临床的信任.
研究的目的:
- 开发一种可解释的人工智能 (XAI) 模型,用于诊断固体附质.
- 整合临床特征和超声波指标,以提高诊断准确度.
- 为基于 ML 的诊断工具提供透明的决策流程.
主要方法:
- 一个布分类模型被设计为一个三类问题 (良性,侵入性癌症,卵巢转移).
- 采用了一个逐步的特征选择程序.
- 使用Leave-One-Out交叉验证来验证分类性能.
主要成果:
- 这三类模型的整体精度达到86.36%.
- 每个类别的精度为良性86.96%,非转移性恶性87.27%,转移性恶性病变77.78%.
- 沙普利添加式扩展 (SHAP) 可视化了模型的决策过程.
结论:
- 开发的XAI模型为固体附质量的诊断预测提供了宝贵的见解.
- SHAP值为临床医生提供了了解特定特征如何影响模型分类的理解.
- 这代表了一种创新的方法,用于为卵巢瘤组织学创建可解释的ML工具.
