可解释的空间聚类:利用辐射瘤学中的空间数据
Andrew Wentzel1, Guadalupe Canahuate2, Lisanne V van Dijk3
1University of Illinois at Chicago.
IEEE Visualization Conference : VIS. IEEE Conference on Visualization
|September 12, 2024
概括
辐射治疗中的机器学习提供了洞察力,但对临床医生来说,可视化空间聚类是关键. 这项研究分享了设计可解释的头癌数据可视化的经验教训.
科学领域:
- 医学物理学和数据科学的交叉点.
- 机器学习在辐射瘤学中的应用.
背景情况:
- 辐射疗法的数据不断增加,使数据挖掘和机器学习成为可能.
- 机器学习专家和临床医生之间的合作对于模型开发和采用至关重要.
- 医疗数据中的空间聚类的解释性,特别是对于临床受众来说,尚未得到充分探索.
研究的目的:
- 对可视化的设计进行反思,以解释新的空间聚类方法.
- 为临床用户解决复杂解剖数据聚类的解释性.
- 为创建可视和可解释的空间聚类方法提供经验教训.
主要方法:
- 参与式设计方法,涉及放射瘤学家和统计学家.
- 开发可视化来解释头癌患者数据的空间聚类.
- 多年合作,完善视觉解释.
主要成果:
- 成功地共同设计了为临床解释量身定制的可视化.
- 在向临床医生解释空间聚类时,确定关键的挑战和解决方案.
- 从合作过程中学到的实际经验教训的提炼.
结论:
- 有效的可视化对于在放射治疗中采用空间聚类的临床应用至关重要.
- 合作,参与式设计对于开发可解释的机器学习工具至关重要.
- 该研究为在医学成像和空间数据分析中创建可解释的AI提供了一个框架.
