[論文レビュー] Interpretable and Intervenable Ultrasonography-based Machine Learning Models for Pediatric Appendicitis
本論文は、腹部超音波画像を用いて小児の虫垂炎の診断に向けた解釈可能で干渉可能な機械学習モデルを提案する。新規のマルチビュー概念ボトルネックモデル（MVCBM）を活用し、臨床的に意味のある高レベルの概念と医療従事者が相互作用できるようにする。モデルは診断予測においてAUROC 0.80、AUPR 0.92を達成し、ブラックボックス型ニューラルネットワークと同等の性能を発揮しながら、画像のアノテーションを必要とせず、解釈可能性とリアルタイム利用性を維持している。
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.
研究の動機と目的
- 既存のAIツールの臨床的有用性に欠ける点を補い、超音波画像を用いた小児虫垂炎診断のための解釈可能で干渉可能な機械学習モデルを開発すること。
- 臨床医が「虫垂径路」や「遊離液」のような高レベルの、人間が理解可能な概念を通じて予測に干渉・変更できるようにすること。
- 概念ボトルネックモデル（CBM）を複数の超音波画像ビューと不完全な概念セットに対応できるように拡張し、実臨床環境における耐障害性を向上させること。
- 579例の小児患者と1,709枚の超音波画像を含む公開データセットを用いてモデルを検証し、再現可能性と臨床的妥当性を確保すること。
- リアルタイムでインタラクティブに利用可能なウェブベースのデモツールを導入し、臨床現場での採用促進と信頼性向上を図ること。
提案手法
- 予測は生のピxlsではなく、中間段階の臨床的に解釈可能な概念に基づく概念ボトルネックモデル（CBM）フレームワークを採用する。
- 同一患者の複数の超音波ビューからの特徴を統合するため、CBMのマルチビュー拡張（MVCBM）を提案し、耐障害性と性能を向上させる。
- 高価な完全アノテーションに依存しないように、ラベル付きの概念と弱教師ありの画像レベルラベルを併用した半教師あり学習でモデルを訓練する。
- 不完全な概念セットでの予測を可能にする新規アーキテクチャを実装し、臨床医が既知または不確実な所見のみを入力できるようにする。
- リアルタイム干渉を支援：臨床医は「虫垂径路 > 6mm」などの概念値を調整し、診断や重症度予測への即時の影響を即座に観察できる。
- モデルは579例の小児患者と1,709枚の超音波画像を含むデータセットを用い、臨床的および血液検査データと併用して訓練・評価し、主な指標としてAUROCとAUPRを用いる。
実験結果
リサーチクエスチョン
- RQ1超音波画像を用いた概念ベースの機械学習モデルは、小児虫垂炎診断において高い性能を発揮すると同時に、臨床医にとって解釈可能であるか？
- RQ2概念ボトルネックモデルは、臨床現場における複数の超音波ビューと不完全な概念入力を処理できるようにどのように拡張できるか？
- RQ3臨床医は、性能に影響を与えることなく、高レベルの臨床的関連概念を通じてモデルの予測に意味的に干渉・変更できるか？
- RQ4同じデータセット上で、解釈可能なMVCBMの性能はブラックボックス型ディープラーニングモデルと比べてどうか？
- RQ5最小限のアノテーションオーバーヘッドでリアルタイムにデプロイ可能であり、実用的な臨床利用が可能か？
主な発見
- 拡張されたマルチビュー概念ボトルネックモデル（MVCBM）は、小児虫垂炎の診断においてAUROC 0.80、AUPR 0.92を達成し、同じデータセット上でブラックボックス型ニューラルネットワークと同等の性能を発揮した。
- 臨床医が概念値（例：遊離液の有無）を変更し、診断や重症度推定への即時の影響を即座に観察できるリアルタイムでインタラクティブな予測が可能である。
- 不完全な概念セットでも高い性能を維持しており、欠損した臨床情報に対しても耐障害性があることが示された。
- 臨床医参加型解釈性を支援：ユーザーは特定の超音波所見にたどり着くことで予測の背後にある根拠を追跡でき、信頼性と透明性が向上する。
- 公開可能なウェブデモを https://papt.inf.ethz.ch/mvcbm にデプロイし、モデルとのリアルタイムインタラクションを可能にした。
- 本研究では、保存的治療を受けた患者における組織所見の確認の欠如や、超音波前処理におけるスケール情報の欠落といった制限事項を明らかにした。これらはモデルの耐障害性に影響を及える可能性がある。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。