可解释的机器学习用于早期临床检测卵巢癌使用对比的解释

科学领域:

• 在瘤学瘤学.
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 卵巢癌的诊断往往会延迟,导致高死亡率.
• 早期检测对于改善患者的治疗结果至关重要.
• 机器学习 (ML) 提供了增强诊断能力的潜力.

研究的目的:

• 开发一个强大的和可解释的ML模型,用于早期检测卵巢癌.
• 从可解释的人工智能 (XAI) 来使用对比解释方法 (CEM) 提高模型透明度.
• 为了确定卵巢癌分类的关键预测因素.

主要方法:

• 使用了349名患者的开放访问数据集.
• 通过引导重新抽样来提高可靠性的增强数据.
• 在正常化的特征上训练了一个三层深层神经网络.
• 用于模型解释性和特征重要性分析的CEM.

主要成果:

• 实现了高诊断性能:95%的准确性,96.2%的灵敏度,93.5%的特异性.
• 淋巴细胞计数,红细胞计数和血小板计数被确定为癌症分类的强有力的积极贡献者.
• 年龄和HE4水平是影响分类逆转的关键因素.
• CEM有效地解释了分类转移所需的特征影响和变化规模.

结论:

• 结合CEM和ML可提供清晰,可靠的卵巢癌早期检测.
• 在临床决策中,XAI提高了ML模型的可解释性和可靠性.
• 这种方法对协助妇科瘤学临床医生充满希望.