[論文レビュー] AI-based approach for improving the detection of blood doping in sports

Maxx Richard Rahman, Jacob Bejder+6 more|arXiv (Cornell University)|Feb 9, 2022

Hormonal and reproductive studies被引用数 5

ひとこと要約

本研究では、臨床的血液サンプルからの血液学的パラメータを用いたAIベースの間接的rhEPO血液ドーピング検出法を提案する。統計的仮説検定を適用し、特にXGBoostを用いた機械学習モデルを訓練することで、92%の正確性と68%の感受性を達成し、現在の最先端（SOTA）手法と比較して主要な指標で優れている一方で、高価な直接的ラボテストへの依存を低減している。

ABSTRACT

Sports officials around the world are facing incredible challenges due to the unfair means of practices performed by the athletes to improve their performance in the game. It includes the intake of hormonal based drugs or transfusion of blood to increase their strength and the result of their training. However, the current direct test of detection of these cases includes the laboratory-based method, which is limited because of the cost factors, availability of medical experts, etc. This leads us to seek for indirect tests. With the growing interest of Artificial Intelligence in healthcare, it is important to propose an algorithm based on blood parameters to improve decision making. In this paper, we proposed a statistical and machine learning-based approach to identify the presence of doping substance rhEPO in blood samples.

研究の動機と目的

• ドーピング検出のための間接的で費用対効果に優れた手法を開発し、高価で時間がかかる直接的ラボテストへの依存を低減すること。
• 統計的仮説検定を用いて、rhEPO投与によって影響を受ける最も特徴的な血液学的パラメータを同定すること。
• 機械学習アルゴリズム（SVC、ランダムフォレスト、XGBoost）の分類性能を評価・比較し、rhEPO陽性およびプラセボサンプルを分類すること。
• 現在の最先端（SOTA）の間接的検出手法（ABPS）を上回る正確性と感受性を実現すること。
• 今後のモデル向上のためのデータ拡張およびディープラーニングの可能性を検討すること。

提案手法

• rhEPOまたはプラセボ投与を受けた39名の参加者を対象に、海抜高度および高地での両方で血液サンプルを採取した臨床実験を実施した。
• rhEPO使用と対照群の間で最も統計的に有意な血液学的パラメータを特定するため、99.99%信頼水準のコルモゴロフ＝スミルノフ（K-S）検定を適用した。
• 相関が高いパラメータは除外し、冗長性を低減するために、8つの最も優れたパフォーマンスを示すパラメータ（例：HCT、RET#、OFF-HR）を選定した。
• 選定されたパラメータを用いて、サポートベクタ分類（SVC）、ランダムフォレスト（RF）、XGBoostの3つの機械学習モデルを訓練し、サンプルをrhEPO陽性または陰性に分類した。
• 交差検証とSOTAベースラインとの比較を含め、標準指標（正確性、F1スコア、感受性、特異性、AUC）を用いてモデルの性能を評価した。
• 誤検出を低減し、妥当性を確保するため、統計的閾値と信頼水準を用いてパラメータ選定の堅牢性を確保した。

実験結果

リサーチクエスチョン

• RQ1 海抜高度および高地において、rhEPO投与群と対照群の間で、どの血液学的パラメータが最も顕著な統計的差を示すか？
• RQ2 間接的血液パラメータに基づく機械学習モデルは、現在の最先端（SOTA）のABPS手法を上回って、rhEPOドーピングを検出できるか？
• RQ3 SVC、ランダムフォレスト、XGBoostといった異なる機械学習アルゴリズムは、rhEPO検出における感受性、特異性、総合的正確性においてどのように比較されるか？
• RQ4 データ品質およびサンプルサイズが、この文脈におけるAIベースの検出モデルの性能に及ぼす制限はどの程度か？
• RQ5 ドメインに特化したパラメータ選定は、純粋に統計的選定を上回るモデル性能を実現できるか？

主な発見

• XGBoostは3つの機械学習モデルの中で最高の正確性（92%）を達成し、SVC（71%）およびランダムフォレスト（85%）を顕著に上回った。
• XGBoostは最高の感受性（68%）を示し、100%の特異性を維持するSOTAのABPS手法（感受性45%）を上回った。
• AUCは0.90を記録し、陽性群と陰性群の分離能が強く、SOTAのAUC（0.84）を上回った。
• ランダムフォレストは高い特異性（98%）とF1スコア（0.92）を示し、精度と再現率のバランスが優れていた。
• K-S検定により、高地ではHCTが主要な識別パラメータであり、海抜高度ではOFF-HRが顕著であった。これは、文脈依存のパラメータの重要性を示している。
• 強力な結果を示したが、39名という小規模なサンプルサイズに起因する制限があるため、さらなる改善にはデータ拡張および大規模データセットの活用が不可欠である。