Interpretovateľné strojové učenie na klasifikáciu závažnosti okulárnej formy Gravesovej choroby pomocou orbitálnych anatomických znakov

Štúdia sa zaoberá vývojom interpretovateľného systému strojového učenia na objektívne určenie závažnosti okulárnej formy Gravesovej choroby (TED) pomocou MRI meraní orbitálnych štruktúr. Výskumníci analyzovali 1 054 orbitálnych MRI jednotiek od 443 pacientov a vytvorili dva súbory údajov - jeden so všetkými dostupnými skeny a druhý len s prvými návštevami pacientov na zníženie časovej zaujatosti. Testovali šesť modelov strojového učenia, pričom Random Forest s vážením tried dosiahol najlepší výkon s AUC 0,811. Analýza dôležitosti znakov konzistentne ukázala, že okulárna protrúzia je najdôležitejším prediktorom, nasledovaná hrúbkou priamych svalov a orbitálnymi geometrickými parametrami. Výsledky zdôrazňujú, že kontrola longitudinálnej redundancie a korelácie medzi pacientmi významne ovplyvňuje výkon modelu a jeho zovšeobecniteľnosť.