Interpretable and Intervenable Ultrasonography-based Machine Learning Models for Pediatric Appendicitis

要約

虫垂炎は、小児の腹部手術の最も一般的な理由の 1 つです。
最近の機械学習の進歩により、データ駆動型の意思決定サポートは、重要でない手術の数を減らしながら、臨床医による患者の診断と管理に役立つ可能性があります。
これまでの虫垂炎の意思決定支援システムは、臨床データ、検査データ、スコアリングデータ、およびコンピュータ断層撮影データに焦点を当てており、非侵襲的で容易に利用できる診断手段である腹部超音波を主に無視していました。
この目的を達成するために、私たちは超音波画像を使用して虫垂炎疑いの診断、管理、重症度を予測するための解釈可能な機械学習モデルを開発し、検証しました。
私たちのモデルは、臨床データと検査データを伴う 1,709 枚の超音波画像を持つ 579 人の小児患者で構成されるデータセットでトレーニングされました。
私たちの方法論的な貢献は、複数のビューと不完全な概念セットによる問題を予測するための概念ボトルネック モデルの一般化です。
特に、このようなモデルは、展開時にパフォーマンスを犠牲にしたり、時間のかかる画像注釈を必要としたりすることなく、臨床医が理解できる高レベルの概念を介した解釈と対話に役立ちます。

要約(オリジナル)

Appendicitis is among the most frequent reasons for pediatric abdominal surgeries. With recent advances in machine learning, data-driven decision support could help clinicians diagnose and manage patients while reducing the number of non-critical surgeries. Previous decision support systems for appendicitis focused on clinical, laboratory, scoring and computed tomography data, mainly ignoring abdominal ultrasound, a noninvasive and readily available diagnostic modality. To this end, we developed and validated interpretable machine learning models for predicting the diagnosis, management and severity of suspected appendicitis using ultrasound images. Our models were trained on a dataset comprising 579 pediatric patients with 1709 ultrasound images accompanied by clinical and laboratory data. Our methodological contribution is the generalization of concept bottleneck models to prediction problems with multiple views and incomplete concept sets. Notably, such models lend themselves to interpretation and interaction via high-level concepts understandable to clinicians without sacrificing performance or requiring time-consuming image annotation when deployed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google