用SHAP揭示膝盖形态:通过可解释的AI塑造个性化医疗

科学领域:

• 整形外科和运动医学
• 放射学 放射学是一门学科.
• 生物医学工程 生物医学工程

背景情况:

• 个性化医疗评估需要了解人口统计学对解剖学的影响.
• 膝盖病理需要准确的诊断工具和量身定制的治疗计划.
• 可解释的人工智能 (XAI) 为解剖学分析提供了新的方法.

研究的目的:

• 研究膝盖形态与人口因素 (年龄,性别,BMI) 之间的关系.
• 使用XAI. 确定膝盖形态特征的性别特定参考值.
• 增强个性化的医疗评估和膝盖病理的早期检测.

主要方法:

• 对500名健康膝盖 (20-40岁) 的MRI数据的回顾性分析.
• 测量膝关节形态特征:距离大腿骨宽度 (DFW),侧侧大腿骨流体宽度 (LFCW),介质大腿骨宽度 (IFW),前交叉带宽度 (ACLW) 和前交叉带长度 (ACLL).
• 机器学习模型的应用 (决策树,随机森林,光梯度增强,多层感知器,支持向量机) 用于性别预测和夏普利增量扩展 (SHAP) 用于特征重要性分析.

主要成果:

• 机器学习模型在集群分类 (83.2%) 和性别分类 (88.06%) 中取得了高绩效.
• 膝盖形态与性别之间的强烈相关性得到了验证.
• 距离大腿骨宽度 (DFW) 成为性别预测中最重要的特征.

结论:

• 在DFW,LFCW,IFW,ACLW和ACLL中观察到基于性别的显著差异.
• 确定了膝盖形态特征的性别特定参考值.
• 这些发现支持通过更准确,更针对性别的诊断和治疗计划来加强个性化的医疗保健.