在集成学习框架内应用多级特征提取和可解释的机器学习在胸部X射线位置评估中的应用

科学领域:

• 医疗成像中的人工智能
• 深度学习用于放射学分析.
• 医疗保健中的机器学习

背景情况:

• 准确的患者定位对于胸部放射图的诊断质量至关重要.
• 目前评估定位的方法可能是主观的,耗时的.
• 需要自动化,定量化和可解释的工具来评估定位.

研究的目的:

• 开发和验证一个新的深度学习-机器学习融合网络,用于对胸部X射线定位进行定量和可解释的评估.
• 分析影响患者定位布局的关键因素.
• 将拟议的核聚变网络的性能与传统分类模型进行比较.

主要方法:

• 对3300张胸部X射线图的回顾性分析.
• 开发一个自动化细分模型 (U-net++),用于测量五个定位指标.
• 三种分类模型的验证:随机森林融合网络 (RFFN),值分类 (TC) 和多变量物流回归 (MLR),使用AUC,精度,灵敏度和特异性.
• 利用SHAP (沙普利增量解释) 进行模型解释,并评估自动测量模型 (AMM) 和放射科医生之间的测量一致性.

主要成果:

• 与U-net (0.812) 相比,U-net++实现了更高的细分精度 (平均子:0.926).
• 自动测量模型 (AMM) 显示出与定位指标的参考标准 (r=0.93) 的良好一致.
• 在图像质量分类方面,RFFN显著优于TC和MLR,AUC为0.982.
• SHAP分析提供了对RFFN模型的特征重要性的见解.

结论:

• 开发的基于细分的随机森林融合网络 (RFFN) 准确地对图像定位进行分类,并确定关键的操作因素.
• 由SHAP增强的融合模型为AI驱动的胸部X射线定位评估提供了临床解释性.
• 这一综合框架提供专家级图像质量评估和自动反给放射科医生,提高诊断准确度.