使用基于超声波的多模式机器学习模型与SHAP可解释性来区分良性和恶性宫淋巴结
Mingru Gao1, Yuping Guo1, Xiao Tian2
1Department of Ultrasound, The Fourth Affiliated Hospital of Harbin Medical University, Harbin, China.
概括
使用多模超声波的机器学习 (ML) 模型有效地区分良性和恶性宫淋巴结. 沙普利增材解释 (SHAP) 提供视觉解释,支持临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 宫淋巴结的评估对于癌症的分期和治疗至关重要.
- 将良性淋巴结与恶性淋巴结区分开来,在传统的成像检查中可能是个挑战.
- 多模态超声波提供全面的数据,以提高诊断准确度.
研究的目的:
- 评估一种机器学习 (ML) 模型,使用多模式超声波特征来区分良性和恶性宫淋巴结.
- 与经验丰富的医生相比,评估ML模型的诊断性能.
- 用SHAP为ML模型的预测提供视觉解释.
主要方法:
- 对190名宫淋巴结病变患者的回顾性研究.
- 使用2D超声波,彩色多普勒流成像 (CDFI),微血管流成像 (MVFI) 和对比增强超声波 (CEUS).
- 开发并比较了10个ML算法,使用AUC,精度,灵敏度,特异性和F1评分来评估性能. 用SHAP进行解释.
主要成果:
- 梯度增强机 (GBM) 模型实现了最高的诊断性能 (AUC=0.987).
- GBM模型显著超过了经验丰富的超声波医生 (AUC=0.904).
- SHAP分析确定了CEUS增强模式,L/S比率,年龄,PI和VI作为关键预测特征.
结论:
- GBM模型使用多模超声波准确地区分良性和恶性宫淋巴结.
- SHAP提供了对模型决策的透明,可视化解释.
- 这种方法将多模式数据与可解释的AI集成在一起,为临床决策提供了可靠的工具.
