在MRI数据中分类质瘤等级和Ki-67水平预测:以SHAP驱动的解释
E H Bhuiyan1, M M Khan2, S A Hossain3
1Center for Magnetic Resonance Research, University of Illinois Chicago, Chicago, 60612, IL, USA.
概括
人工智能精确地使用T2w-FLAIRMRI对质瘤等级和Ki-67水平进行分类. 深度学习功能与可解释的人工智能相结合,为质瘤的攻击性提供了洞察力,改善了临床决策.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 质瘤分级和Ki-67等级对于治疗计划至关重要.
- 精确分类质瘤亚型和扩散率对于患者管理至关重要.
研究的目的:
- 开发和验证人工智能模型,使用T2w-FLAIRMRI对质瘤等级和Ki-67水平进行分类.
- 使用可解释的人工智能探索深度学习特征和Ki-67生物标志物之间的关联.
主要方法:
- 深度学习 (ResNet50) 用于从101名质瘤患者的T2w-FLAIRMRI扫描中提取特征.
- 主要组件分析 (PCA) 减少了特征维度,XGBoost 分类了等级和Ki-67级别.
- 莎普利添加剂解释 (SHAP) 确定了关键特征和相互作用,整合了人口统计和生物标志物.
主要成果:
- 人工智能模型实现了高准确性:0.94对于质瘤等级和0.91对于Ki-67水平预测.
- 精度和F1得分在不同的质瘤等级和Ki-67水平上表现出强的表现.
- SHAP分析证实了深度学习特征与Ki-67之间的强烈联系,表明质瘤的攻击性.
结论:
- 对T2w-FLAIRMRI的AI驱动分析使得精确的质瘤分类和Ki-67水平预测成为可能.
- 可解释的人工智能 (XAI) 和SHAP为结质瘤生物学和攻击性提供了宝贵的见解.
- 这种方法有可能显著提高临床决策在质瘤管理.
