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。
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、非侵襲性で広く利用可能であるにもかかわらず、腹部超音波は無視されてきました。
この研究では、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紹介します。
私たちのアプローチは、臨床医が理解できる高レベルの概念の解釈と対話を容易にする概念ボトルネック モデル (CBM) を利用します。
さらに、CBM を複数のビューと不完全な概念セットを含む予測問題に拡張します。
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。
結果は、私たちが提案した方法により、臨床医がパフォーマンスを犠牲にしたり、展開時に時間のかかる画像アノテーションを必要としたりすることなく、人間が理解でき介入可能な予測モデルを利用できることを示しています。
診断を予測する場合、拡張マルチビュー CBM は AUROC 0.80 および AUPR 0.92 を達成し、同じデータセットでトレーニングおよびテストされた類似のブラックボックス ニューラル ネットワークと同等のパフォーマンスを示しました。

要約(オリジナル)

Appendicitis is among the most frequent reasons for pediatric abdominal surgeries. Previous decision support systems for appendicitis have focused on clinical, laboratory, scoring, and computed tomography data and have ignored abdominal ultrasound, despite its noninvasive nature and widespread availability. In this work, we present interpretable machine learning models for predicting the diagnosis, management and severity of suspected appendicitis using ultrasound images. Our approach utilizes concept bottleneck models (CBM) that facilitate interpretation and interaction with high-level concepts understandable to clinicians. Furthermore, we extend CBMs to prediction problems with multiple views and incomplete concept sets. Our models were trained on a dataset comprising 579 pediatric patients with 1709 ultrasound images accompanied by clinical and laboratory data. Results show that our proposed method enables clinicians to utilize a human-understandable and intervenable predictive model without compromising performance or requiring time-consuming image annotation when deployed. For predicting the diagnosis, the extended multiview CBM attained an AUROC of 0.80 and an AUPR of 0.92, performing comparably to similar black-box neural networks trained and tested on the same dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google