Enhancing Clinical Decision Support Through Explainable AI: A Comparative Study of CNN and Vision Transformer Models for Skull Fracture Detection in CT Scans

Stel je voor dat je een detective bent die een mysterie probeert op te lossen in een afgesloten kamer. In de wereld van de geneeskunde is die kamer het menselijk hoofd, en het mysterie is een verborgen barst in de schedel—een breuk veroorzaakt door een stoot of een val. Om in het binnenste te kunnen kijken zonder de deur te breken, gebruiken artsen een speciaal soort röntgenfoto genaamd een CT-scan, die honderden dunne plakjes van de hersenen neemt zoals de pagina's in een boek. Maar het lezen van al die pagina's is uitputtend werk. Soms zijn de barsten zo dun en lastig dat ze er precies zo uitzien als normale lijnen in het bot, en zelfs deskundige artsen kunnen ze missen. Dit is waar "Artificiële Intelligentie" (AI) in beeld komt. Denk aan AI als een supersnelle robotassistent die al die pagina's in enkele seconden kan lezen. Maar hier is de adder onder het gras: robots zijn vaak als zwarte dozen. Ze geven je een antwoord, maar ze vertellen je niet waarom ze dat denken. Als een robot zegt: "Er zit een barst hier," maar je kunt niet zien waar hij naar kijkt, kan een arts de robot niet vertrouwen. Dit artikel gaat over het bouwen van een robot die niet alleen de barsten vindt, maar ook met zijn vinger wijst naar exact waar hij ze zag, zodat artsen kunnen zeggen: "Ah, ik begrijp wat je bedoelt."

De onderzoekers in deze studie besloten twee verschillende soorten robotdetectives aan de test te onderwerpen: één die denkt als een traditioneel menselijk oog (een CNN, specifiek ResNet-50) en één die denkt als een moderne, patroonzoekende superorganisme (een Vision Transformer, specifiek DeiT-Tiny). Ze wilden zien welke er beter in was om schedelbreuken in CT-scans op te sporen en, nog belangrijker, welke zij zijn denkproces duidelijk genoeg kon uitleggen om in een ziekenhuis vertrouwd te worden.

De Grote Detective Showdown

Om dit experiment uit te voien, verzamelde het team een collectie van 4.914 CT-scanplakjes van 15 patiënten die hersenletsel hadden opgelopen in een ziekenhuis in Sri Lanka. Het is een beetje alsof je een kleine bibliotheek met mysterieboeken hebt in plaats van een enorme, wat het werk moeilijker maakt voor de robots. Ze hebben de afbeeldingen schoongemaakt, waardoor de botten er scherp en duidelijk uitzagen, en vervolgens de twee robots geleerd hoe ze fracturen kunnen herkennen.

De eerste robot, ResNet-50, is als een detective die inzoomt op minuscule details. Hij kijkt naar kleine stukjes van de afbeelding en controleert elke kleine bult en lijn. De tweede robot, DeiT-Tiny, is meer als een detective die een stap terug doet om in één keer naar het hele plaatje te kijken, waarbij hij punten over de hele afbeelding verbindt om patronen te vinden.

Toen de robots aan het werk gingen, waren de resultaten duidelijk. De traditionele detective, ResNet-50, was de betere zoeker. Hij identificeerde fracturen ongeveer 72,6% van de tijd correct en had een "score" voor hoe goed hij onderscheid kon maken tussen barsten en normaal bot (de AUC-ROC) van 0,800. De moderne detective, DeiT-Tiny, was iets langzamer en minder nauwkeurig, waarbij hij het juiste antwoord 67,3% van de tijd gaf met een score van 0,746. Het verschil was niet zomaar een toevalstreffer; de wiskunde toonde aan dat het een echt, significant gat was. Sterker nog, ResNet-50 was veel beter in het vermijden van valse alarmen (zeggen dat er een barst was terwijl dat niet zo was), terwijl DeiT-Tiny de neiging had om iets te enthousiast te worden en barsten te zien waar die niet waren.

Het "Waarom" Achter het Antwoord

Maar een goede detective zijn is niet alleen het vinden van het antwoord; het gaat er ook om dat je laat zien hoe je tot je conclusie bent gekomen. Hier wordt het verhaal interessant. De onderzoekers wilden weten: Wanneer de robot "fractuur" zegt, waar kijkt hij dan eigenlijk naar?

Om dit te controleren, vroegen ze een menselijke expert om boxen te tekenen rond de echte fracturen op een aantal testafbeeldingen. Vervolgens vergeleken ze die boxen met de "heatmaps" die de robots tekenden om hun focus aan te geven. Stel je voor dat de robots een gloeiende wolk over de afbeelding tekenen om aan te geven waar ze de barst denken te zien.

Hier draaiden de rollen enigszins om. Hoewel Resente-50 beter was in het vinden van de barsten, was DeiT-Tiny iets beter in het aanwijzen ervan. De gloeiende wolk van de moderne robot overlapte iets meer met de echte fractuur dan die van de traditionele robot. De overlap was echter nog steeds quite klein voor beiden—denk eraan dat de robot weliswaar in de juiste buurt wijst, maar niet precies op het juiste huisnummer. De cijfers waren laag: DeiT-Tiny haalde een kleine overlapscore van 0,021, terwijl ResNet-50 op 0,006 zat. Zelfs de "betere" robot was niet perfect in het aanwijzen van de exacte plek.

Wat Dit Betekent voor de Toekomst

Dus, wat is het eindoordeel? De studie suggereert dat als je een robot nodig hebt om je te vertellen of een patiënt een fractuur heeft, de traditionele ResNet-50 momenteel de meest betrouwbare keuze is, vooral wanneer je niet over een enorme hoeveelheid data beschikt om op te trainen. Het is de standvastige, ervaren detective die de klus klaart. Echter, als je er belang bij hebt dat de robot kan laten zien waar hij naar kijkt op een manier die voor een menselijk oog logischer aanvoelt, heeft de moderne DeiT-Tiny een lichte voorsprong, ook al is hij niet zo goed in de daadwerkelijke detectie.

De onderzoekers zijn voorzichtig in hun bewoordingen en zeggen dat geen van beide robots klaar is om een arts te vervangen. Beide robots misten ongeveer de helft van de werkelijke fracturen (een "recall" van rond de 0,49), wat betekent dat ze nog steeds een mens nodig hebben om hun werk te controleren. Maar de studie benadrukt een fascinerende afruil: soms is de robot die het beste is in het oplossen van het mysterie niet de robot die zijn redenering het beste kan uitleggen.

Het team concludeert dat voor deze robots echte partners in het ziekenhuis te worden, we ze moeten trainen op meer data van verschillende ziekenhuizen en hen moeten helpen om nog beter te worden in het aanwijzen van de exacte locatie van het letsel. Tot die tijd dienen ze het beste als een behulpzame tweede paar ogen, klaar om verdachte plakjes te signaleren zodat de radioloog er een beter oog op kan werpen, om er zeker van te zijn dat geen enkele verborgen barst onopgemerkt blijft.