用神经常规微分方程用于识别后SRS大脑转移放射性死的放射基因学可解释AI
Jingtong Zhao1, Eugene Vaios1, Zhenyu Yang2
1Deparment of Radiation Oncology, Duke University, Durham, North Carolina, USA.
Medical physics
|January 29, 2025
概括
一种新型的重球神经常规微分方程 (HBNODE) 模型准确地区分了大脑转移放射性死与复发后立体性放射性手术. 这种可解释的AI方法集成成像,基因组和临床数据,以提高诊断准确度.
科学领域:
- 人工智能的人工智能
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
背景情况:
- 对大脑转移 (BMs) 的立体射线外科手术 (SRS) 可以导致放射性缩,这构成了诊断挑战.
- 通过常规成像,难以非侵入性地区分放射性死与瘤复发.
- 当前的机器学习模型缺乏可解释性,阻碍了临床信任和采用.
研究的目的:
- 开发一种新的神经普通微分方程 (NODE) 模型,以区分BM放射性死与复发.
- 将图像深度特征,基因组生物标志物和临床参数集成到一个统一的潜在特征空间中.
- 通过在这个特征空间内可视化数据样本轨迹来增强AI可解释性.
主要方法:
- 设计了一个重球NODE (HBNODE) 模型,将深度特征提取视为由二级ODE控制的连续过程.
- 该HBNODE模型跟踪神经网络行为,并在图像-基因组-临床 (I-G-C) 空间中可视化数据样本轨迹.
- 重建了一个决策场 (F) 来分析特征贡献,确定关键的预测中间状态.
主要成果:
- 在区分放射性死与复发方面,HBNODE模型表现出卓越的性能.
- 获得了0.88 ± 0.04的ROC AUC,灵敏度为0.79 ± 0.02,特异性为0.86 ± 0.01,准确度为0.84 ± 0.01.
- 仅使用成像特征 (ROC AUC 0.71) 的标准深度神经网络 (DNN) 和没有HBNODE的组合模型 (ROC AUC 0.81) 的性能优于标准深度神经网络 (DNN).
结论:
- 该HBNODE模型有效地区分大脑转移放射性死与复发,改善AI中的解释性.
- 该模型的性能支持其在诊断后SRS并发症中的临床应用潜力.
- 这种方法为各种医学成像和放射基因组分析中可解释的AI提供了一个有希望的框架.
