可解释的人工智能用于提高对基于深度学习的瘤跟踪模型的信心
Dragos Grama1,2, Max Dahele1, Ben Slotman1
1Department of Radiation Oncology, Amsterdam UMC location Vrije Universiteit Amsterdam, Amsterdam, The Netherlands.
Medical physics
|July 15, 2025
概括
可以解释的人工智能方法,如引导后向传播 (GBP) 和DeepLIFT,可以可靠地解释SBRT期间肺瘤跟踪的深度学习模型. 这提高了对人工智能预测的信任,以准确提供放射治疗.
科学领域:
- 医学物理 医学物理
- 人工智能在医学中的应用
- 放射治疗技术 放射治疗技术
背景情况:
- 卷度调节弧线疗法 (VMAT) 现在提供了研究水平的瘤位置监测,使用光镜图像.
- 在使用VMAT的立体体辐射疗法 (SBRT) 期间,精确的肺瘤跟踪对于确保在规划目标体积内照射至关重要.
研究的目的:
- 传统的模板匹配用于瘤跟踪的成功率很低.
- 深度学习方法提供了潜力,但需要方法来"打开黑子",并确定预测可靠性.
主要方法:
- 研究了四种可解释的人工智能 (XAI) 方法:引导向后传播 (GBP),层级相关性传播 (LRP),DeepLIFT和模式归属.
- 通过使用幻象和临床患者数据,对2D无标记肺瘤跟踪模型的XAI方法可靠性进行了评估.
- 进行了定量和定性评估,以确定XAI适合瘤跟踪.
主要成果:
- 导向向后传播 (GBP) 和DeepLIFT在所有测试患者和幻影中显示出可靠和一致的性能.
- 层 wise Relevance Propagation (LRP) 在幻体上表现良好,但在临床数据中产生较低的定性结果.
结论:
- GBP和DeepLIFT适合在SBRT VMAT中解释基于深度学习的跟踪模型.
- 需要进一步的研究,以建立强大的临床可靠性测量AI在治疗期间的交付.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
