基于超声影像的可解释可干预机器学习模型用于小儿阑尾炎
机器学习
2023-11-27 v3 计算机视觉与模式识别
图像与视频处理
应用统计
摘要
阑尾炎是小儿腹部手术最常见的原因之一。既往阑尾炎决策支持系统聚焦于临床、实验室、评分及计算机断层扫描数据，忽视了腹部超声，尽管其具有无创性和广泛可及性。本工作中，我们提出可解释的机器学习模型，利用超声图像预测疑似阑尾炎的诊断、处理与严重程度。我们的方法采用概念瓶颈模型（CBM），有助于对临床医生可理解的高层概念进行解释与交互。此外，我们将CBM扩展至多视图且概念集不完整情况下的预测问题。我们的模型在包含579名儿科患者、1709张超声图像及配套临床与实验室数据的数据集上训练。结果表明，所提方法使临床医生能够使用人类可理解且可干预的预测模型，而在部署时不影响性能，也无需耗时的图像标注。对于诊断预测，扩展多视图CBM取得了0.80的AUROC与0.92的AUPR，与在同一数据集上训练并测试的类似黑盒神经网络性能相当。
引用
@article{arxiv.2302.14460,
title = {Interpretable and intervenable ultrasonography-based machine learning models for pediatric appendicitis},
author = {Ričards Marcinkevičs and Patricia Reis Wolfertstetter and Ugne Klimiene and Kieran Chin-Cheong and Alyssia Paschke and Julia Zerres and Markus Denzinger and David Niederberger and Sven Wellmann and Ece Ozkan and Christian Knorr and Julia E. Vogt},
journal= {arXiv preprint arXiv:2302.14460},
year = {2023}
}
备注
Published in Medical Image Analysis (Elsevier)