在非小细胞肺癌中验证一种可解释的放射学方法,将高能物理与临床和生物分析结合起来

科学领域:

• 放射学和人工智能 放射学和人工智能
• 医学成像和计算病理学
• 生物标志物发现发现

背景情况:

• 可解释的人工智能 (XAI) 模型对于瘤学的临床采用至关重要.
• 放射学提供了一种非侵入性方法,用于从医学图像中提取定量特征.
• 验证XAI放射学模型对于确保其可靠性和临床实用性至关重要.

研究的目的:

• 为一个可解释的放射学模型建立一个强大的验证框架.
• 将这一框架应用于非小细胞肺癌 (NSCLC) 患者的组织病理亚型的分类.
• 提高AI模型在肺癌诊断中的可解释性和临床相关性.

主要方法:

• 开发了一个可解释的放射学管道,使用来自TCIA的CT图像.
• 为了特征选择和可解释性,使用了SHAP (夏普利添加式解释).
• 使用高能物理 (HEP) 数据进行技术验证,使用RNA测序和临床数据进行生物验证.

主要成果:

• 放射性模型在分类NSCLC组织学亚型时达到0.84的准确性.
• 基于SHAP的特征选择在150个HEP数据集中显示出可靠性.
• 在基因表达和放射性特征之间发现了显著的相关性,特别是MUC21 (r=0.46,p<0.05).

结论:

• 介绍了一种新的验证框架,用于肺癌中基于CT的可解释性放射学.
• 该框架将HEP驱动的技术验证与生物验证相结合,以提高可解释性.
• 这种方法提高了XAI模型对NSCLC的可靠性和临床相关性.