Монгол хүний цээжний рентген зурагт DenseNet121 загварын шийдвэрийн босго болон магадлалын тохируулгыг үнэлсэн нь

Хураангуй

Үндэслэл: Гадны өгөгдлөөр сургасан загварыг эмнэлзүйн хэрэглээнд нэвтрүүлэхийн өмнө Монгол орны өгөгдөлд ялган таних чадвар, шийдвэрийн босго, тооцсон магадлалын нийцлийг үнэлэх хэрэгцээ байгаа нь энэхүү судалгаа үндэслэл болж байна. Зорилго: Олон нийтэд нээлттэй CheXpert өгөгдөл дээр DenseNet121 гүн сургалтын загвар сургаж, түүний гүйцэтгэлийг Монгол хүний цээжний рентген зураг дээр үнэлэн, орон нутгийн өгөгдөлд тохируулах боломжийг судлах. Арга, аргачлал: Энэхүү судалгаанд ImageNet дээр урьдчилан сургасан жинг эхлэл болгон DenseNet121 архитектурт суурилсан гүн сургалтын загварыг CheXpert өгөгдөл дээр сургав. Загвар нь 320×320 пикселийн RGB цээжний рентген зургийг оролт болгон авч, эмгэг олдворгүй болон дэмжих хэрэгслийг багтаасан 14 ангилал тус бүрийн илрэх магадлалыг сигмоид функцээр тооцоолов. CheXpert өгөгдлийг сургалт болон загвар сонгох дотоод баталгаажуулалтад 80/20 харьцаатай хуваав. Сонгосон загварыг өмнөх эмнэлзүйн дүгнэлтээс радиологич эмч 14 ангиллын шошгыг гараар гаргасан Монгол хүний 671 цээжний рентген зураг дээр гадаад баталгаажуулалтын хэлбэрээр үнэлэв. Ялган таних чадварыг ROC-AUC, макро AUC болон микро AUC-аар үнэлж, босго утгаас хамаарах гүйцэтгэлийг анхдагч 0.5 болон Youden index-ээр тохируулсан босго утгаар тооцоолов. Youden босгыг сонгосон 671 зураг дээр нь үнэлсэн тул үр дүн өөдрөгөөр үнэлэгдсэн байж болно. Platt калибрацийг 12 ангилалд өвчтөнөөр бүлэглэсэн таван хэсгийн солбицсон үнэлгээгээр хийж, өвчтөн бүрийг өөрийнх нь өгөгдлөөр тохируулаагүй функцээр үнэлэв. Brier score болон ECE-г тооцов. Үр дүн: Загвар сонгоход ашигласан дотоод баталгаажуулалтад 14 ангиллын дундаж AUC 0.8169 байсан бол Монгол өгөгдөл дээр макро AUC 0.7517, микро AUC 0.7762 байв. Дэмжих хэрэгсэл, эмгэг илрээгүй, нэвчдэс, гялтангийн хөндийд шингэн хурах зэрэгт ялган таних чадвар өндөр байсан бол хугарал, уушгины шалчийлт, гялтангийн бусад эмгэгт харьцангуй бага байв. Анхдагч 0.5 босго утгаар макро нарийвчлал 0.8139 боловч макро мэдрэг чанар 0.2347 байсан нь эерэг өөрчлөлтийг орхих эрсдэлтэйг харуулав. Босго утгыг тохируулсны дараа F1 оноо нэвчдэс сүүдэрт 0.006-аас 0.794, зүрх-голтын өргөсөлд 0.019-өөс 0.574 болж нэмэгдэв. Platt калибраци нь зарим өөрчлөлтийн магадлалын тохирлыг сайжруулсан. Дүгнэлт: CheXpert дээр сургасан DenseNet121 загвар нь Монгол хүний цээжний рентген зурагт дунд зэрэг шилжин ажиллах чадвартай байсан ч зарим ангилалд гүйцэтгэл буурсан байв. Үүний шалтгааныг энэ судалгаагаар тогтоогоогүй. Тогтмол 0.5 босго утга Монгол өгөгдөлд тохирохгүй байсан бол босго утгыг өөрийн өгөгдөл дээр тохируулснаар F1 оноо эрс сайжирсан нь загварыг орон нутгийн хэрэглээнд тохируулах бодит боломжийг харууллаа.