在定量血管造影中最大限度地降低人为诱导的变异性,以便在流量转移器治疗的动脉瘤中进行基于人工智能的强大和可解释的闭塞预测

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
• 脑血管外科 脑血管外科

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) 阻塞构成了挑战.
• 解决这种偏见对于可靠的AI驱动的AI治疗结果预测至关重要.

研究的目的:

• 实施一种算法,以消除质量保证数据中的注入偏差,以减少变化.
• 评估可解释AI (XAI) 对DNN模型的可解释性和可靠性的影响,以预测流转变器处理后IA阻塞.

主要方法:

• 从458名流量转移器治疗的IA患者的血管图进行了分析,结果为6个月的闭塞状态.
• 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预测了6个月的封闭,用于特征识别的局部可解释模型-不可知论解释 (LIME).

主要成果:

• 使用未经纠正的QA的DNN实现了0.60的AUROC和0.58.8的准确性.
• 在注射偏差校正后,DNN的AUROC增加到0.79,精度增加到0.73.
• 纳入了LIME图表,以提高模型预测的可解释性.

结论:

• 通过注射偏差校正标准化QA参数可以提高IA闭塞预测的准确性.
• 整合XAI,如LIME,可以提高AI模型对预测结果的透明度和临床相关性.