量化OCT斑点孔和囊细分中的可解释性:基于SHAP的覆盖范围和因子贡献分析

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 光学连贯断层扫描 (OCT) 对于量化黄斑孔 (MH) 形态和尺寸至关重要,有助于诊断和治疗规划.
• 在OCT体积中对MH和相关囊进行准确的细分对于有效的临床管理至关重要.

研究的目的:

• 开发和评估一种深度学习模型,用于在OCT黄斑体积中自动细分黄斑孔 (MHs) 和囊.
• 用焦点区域和基于GradientSHAP的可解释性量化评估模型的决策可靠性.

主要方法:

• 基于UNet-48的深度学习模型与2.5D堆叠策略被用来对OIMHS OCT数据集中的MH和囊进行细分.
• 使用Dice,交叉点对联 (IoU),豪斯多夫距离 (HD95) 和预期校准误差 (ECE) 来评估性能.
• 渐变SHAP被用于解释性,量化病变覆盖面 (APILτ,ARILτ) 和空间焦点 (COM-dist).

主要成果:

• 该模型实现了高细分性能,Dice/IoU值为MH的0.94/0.91和囊的0.87/0.81.
• 在病变类别中表现出极好的边界精度 (HD95 = 6 px) 和校准 (ECE = 0.008).
• 渐变SHAP分析揭示了不同的解释模式 (视网膜主导,周围损伤,狭窄覆盖),在预测模式中达成了更好的协议.

结论:

• 深度学习模型表现出高精度和良好的校准,用于在OCT图像中对MH和囊进行细分.
• 使用GradientSHAP的定量可解释性验证了模型的细分结果,并提供了对其决策过程的见解.
• 周围损伤和狭窄覆盖场景需要仔细的临床解释,强调可解释性在识别具有挑战性的病例中的实用性.