Development of an Explainable AI Model for Predicting Patient Outcomes in Radiotherapy for Cervical Cancer

Abstract

Lokaal gevorderde baarmoederhalskanker is de vaakst vastgestelde kanker bij vrouwen van 40-50 jaar. In deze studie worden Bayesiaanse netwerken (BN's) geleerd en geëvalueerd als predictieve modellen voor behandelresultaten van deze groep patiënten. De compactheid en intuïtieve weergave van BN's maken ze geschikt voor Explainable AI – een kennisgebied gericht op methoden die AI-beslissingen begrijpelijk en controleerbaar maken – essentieel voor klinische besluitvorming. BN's werden geleerd met DBN-GOMEA, een zelfdiscretiserend BN-leeralgoritme voor discrete en continue data, gedreven door een evolutionair algoritme. Drie uitkomsten werden gemodelleerd: metastase-vrije overlevingstijd, totale overlevingstijd en metastase-vrije overleving na 12 maanden. Modellen werden geëvalueerd en vergeleken met klassieke modellen. Het BN voor metastase-vrije en totale overleving toonden wel enig predictief vermogen, maar presteerden vergelijkbaar met of slechter dan Cox-regressiemodellen. Het BN voor metastase-vrije overleving na 12 maanden toonde betere resultaten, met een geschatte ROC area under curve (AUC) van 0,79 (sd=0,14); hoger dan de Cox-regressie-AUC. Verder werd de relatie tussen dosis-volumehistogram (DVH)-metrieken en toxiciteit exploratief bestudeerd. DVH-metrieken kunnen worden gebruikt om ongewenste stralingsdoses in kritieke organen te kwantificeren. Contra-intuïtief kwam toxiciteit in de loop van de tijd vaker voor, terwijl DVH-metrieken juist beter werden, een trend die nog niet begrepen wordt en nader onderzoek vereist.