在定量血管造影中最大限度地减少人为诱导的变异性,以实现基于人工智能的强大和可解释的闭塞预测
Parmita Mondal1,2, Mohammad Mahdi Shiraz Bhurwani3, Swetadri Vasan Setlur Nagesh2,4
1Department of Biomedical Engineering, University at Buffalo, Buffalo, NY 14260.
ArXiv
|March 31, 2025
概括
定量血管造影 (QA) 的偏差可以影响内动脉瘤 (IA) 封闭预测. 纠正这种偏差显著提高了深度神经网络 (DNN) 准确度,用于预测流转变器治疗后IA阻塞.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 血管外科 血管外科
背景情况:
- 在定量血管学 (QA) 中的对比注射变异性对使用深度神经网络 (DNN) 准确预测内动脉瘤 (IA) 阻塞构成重大挑战.
- 现有的方法在成像数据中存在固有的偏差,这影响了人工智能驱动的结果预测的可靠性.
研究的目的:
- 实施注射偏差删除算法,以减少QA变化.
- 评估可解释AI (XAI) 对DNN模型可靠性和可解释性的影响,以预测IA阻塞后流转变器处理.
主要方法:
- 分析了来自458名流量转移器治疗的IA患者的血管图.
- 通过使用标准化曲线去卷和重新卷母动脉输入来最大限度地减少注射变化.
- 一个DNN模型被训练在QA生物标志物上进行六个月的闭塞预测,用局部可解释模型-不可知解释 (LIME) 用于特征识别.
主要成果:
- 在没有偏差校正的情况下,DNN模型实现了0.60±0.05的AUROC.
- 经过校正后,DNN的AUROC增加到0.79±0.02,精度从0.58±0.03上升到0.73±0.01.
- 灵敏度和特异性分别为67.61±1.93%和76.19±1.12%,LIME增强了模型的解释性.
结论:
- 通过注射偏差校正标准化QA参数,提高了在流量转移器处理的病例中IA阻塞预测的准确性.
- 整合像LIME这样的XAI方法可以提高AI模型对预测结果的透明度和临床相关性.
- 这项研究证明了开发临床可解释的AI解决方案的可行性,用于预测神经血管干预中的治疗结果.
