[論文レビュー] Development of Risk-Free COVID-19 Screening Algorithm from Routine Blood Test using Ensemble Machine Learning.

Md. Mohsin Sarker Raihan, Md. Mohi Uddin Khan+2 more|arXiv (Cornell University)|Aug 12, 2021

COVID-19 diagnosis using AI参考文献 12被引用数 5

ひとこと要約

本研究では、日常的血液検査からCOVID-19を検出するスタックドアンサンブル機械学習モデルを提案しており、100%の正確性、適合率、再現率、F1スコアを達成している。これは、PCR検査や抗原検査が利用できないリソースが限られた地域においても、低コストでスケーラブルかつリスクフリーなスクリーニングソリューションを提供するものである。

ABSTRACT

The Reverse Transcription Polymerase Chain Reaction (RTPCR) test is the silver bullet diagnostic test to discern COVID infection. Rapid antigen detection is a screening test to identify COVID positive patients in little as 15 minutes, but has a lower sensitivity than the PCR tests. Besides having multiple standardized test kits, many people are getting infected & either recovering or dying even before the test due to the shortage and cost of kits, lack of indispensable specialists and labs, time-consuming result compared to bulk population especially in developing and underdeveloped countries. Intrigued by the parametric deviations in immunological & hematological profile of a COVID patient, this research work leveraged the concept of COVID-19 detection by proposing a risk-free and highly accurate Stacked Ensemble Machine Learning model to identify a COVID patient from communally available-widespread-cheap routine blood tests which gives a promising accuracy, precision, recall & F1-score of 100%. Analysis from R-curve also shows the preciseness of the risk-free model to be implemented. The proposed method has the potential for large scale ubiquitous low-cost screening application. This can add an extra layer of protection in keeping the number of infected cases to a minimum and control the pandemic by identifying asymptomatic or pre-symptomatic people early.

研究の動機と目的

• 発展途上国や未開発国におけるRT-PCR検査および抗原検査の世界的な不足と高コストを是正すること。
• 広く利用可能で安価な日常的血液検査を用いて、無症状および前症候性のCOVID-19患者を早期に同定すること。
• 非常に高い正確性、リスクフリーかつスケーラブルなスクリーニングツールを開発し、既存の診断法を補完すること。
• 専門的なラボや試薬に依存しない大規模な人口スクリーニングを可能にすることで、感染拡大を抑えること。

提案手法

• 複数のベースモデルを逐次的にスタックして構築したアンサンブル機械学習フレームワークを構築した。
• モデルは、免疫学的および血液学的パrameterを含む日常的血液検査データを入力特徴量として使用した。
• 多様なベース推定器からの予測を統合することで、全体の分類正確性を最適化するスタッキングメタラーナーを採用した。
• 本手法は、確認済みのCOVID-19患者および健康な対照群の日常的血液検査結果から成るデータセットを用いて学習および検証した。
• 標準指標である正確性、適合率、再現率、F1スコアを用いてモデルのパフォーマンスを評価した。
• スクリーニング用途における精度と信頼性を検証するため、Rカーブ分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 専用キットやラボインfrastrucureを必要とせず、日常的血液検査データを用いてCOVID-19を正確に検出できるか？
• RQ2 アンサンブル機械学習モデルが、標準的な血液プロファイルから無症状または前症候性のCOVID-19症例をほぼ完璧な性能で同定できるか？
• RQ3 提案されたスタッキングアンサンブルモデルは、COVID-19スクリーニングにおいて個々のモデルと比較して正確性および頑健性に優れているか？
• RQ4 このモデルが、リソースが限られた地域における大規模で低コストかつリスクフリーな人口スクリーニングをどの程度支援できるか？

主な発見

• 提案されたスタッキングアンサンブルモデルは、日常的血液検査からCOVID-19を検出する際、100%の正確性、適合率、再現率、F1スコアを達成した。
• Rカーブ分析により、モデルの優れた信頼性と正確性が裏付けられた。
• 無症状および前症候性の個体の早期検出が可能であり、パンデミック制御にとって不可欠である。
• 広く利用可能で低コストな血液検査に依存しているため、リソースが限られた地域への展開に適している。
• 専用試薬や熟練した人材を必要としないため、PCR検査や抗原検査のリスクフリーな代替手段を提供する。
• 本結果から、この手法が感染拡大率を低減するための追加の保護層として機能する可能性があると示唆された。