一个可解释模型的多站点验证,以分析乳腺质量
Luke Moffett1, Alina Jade Barnett1, Jon Donnelly1
1Department of Computer Science, Duke University, Durham, North Carolina, United States of America.
PloS one
|June 26, 2025
概括
这项研究验证了一种可解释的深度学习模型,用于预测乳腺损伤恶性瘤. 虽然性能在外部略有下降,但该型号的性能略有下降.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 深度学习模型在乳腺损伤恶性瘤预测方面表现有前途.
- 人工智能模型的可解释性对于临床信任和采用至关重要.
- 外部验证对于评估模型通用性至关重要.
研究的目的:
- 执行IAIA-BL的第一个外部验证,这是一种基于深度学习的,内在可解释的乳腺病变恶性病变预测模型.
- 评估IAIA-BL在外部患者队列上的性能和解释性的概括性.
- 在外部验证设置中,将IAIA-BL与黑盒基线模型进行比较.
主要方法:
- 在两个独立的患者数据集 (iCAD和埃默里大学) 上对IAIA-BL模型的外部验证.
- 使用曲线下的面积 (AUC) 评估质量边缘和恶性瘤分类性能.
- 通过对相关损伤区域的模型激活分析,评估模型可解释性.
主要成果:
- 与内部数据集相比,IAIA-BL在外部数据集上显示了较低的质量差分类性能,用AUC来衡量.
- 恶性瘤分类表现也呈现下降,但AUC95%置信区间在所有地点重叠.
- 在所有测试的患者群体中,通过激活相关的损伤部分来表示模型的解释性得到维持.
结论:
- 模型的解释性在外部数据集中显示出普遍性,即使分类性能略有下降.
- 这项研究强调了可解释的AI模型在乳腺癌诊断中的潜力,以保持现实世界的临床环境中的透明度.
- 这些发现支持开发内在可解释的AI工具,以进行可靠的乳腺损伤评估.


