[論文レビュー] Machine Learning Techniques for Predicting the Short-Term Outcome of Resective Surgery in Lesional-Drug Resistance Epilepsy

Zahra Jourahmad, Jafar Mehvari Habibabadi+5 more|arXiv (Cornell University)|Feb 10, 2023

Epilepsy research and treatment被引用数 4

ひとこと要約

本研究では、侵襲的でない臨床的および人口統計的データを用いて、病変性で薬物耐性のてんかんを示す患者の短期的外科的予後を予測する機械学習モデルを開発および評価した。線形カーネルを用いたサポートベクターマシンを用いたモデルは、10個の重要な特徴量を用いて、76.1%の正答率、側頭側てんかん（TLE）で96.7%の再現率、側頭外てんかん（ETLE）で79.5%の再現率を達成し、個別化された外科的計画立案における強力な予測可能性を示した。

ABSTRACT

In this study, we developed and tested machine learning models to predict epilepsy surgical outcome using noninvasive clinical and demographic data from patients. Methods: Seven dif-ferent categorization algorithms were used to analyze the data. The techniques are also evaluated using the Leave-One-Out method. For precise evaluation of the results, the parameters accuracy, precision, recall and, F1-score are calculated. Results: Our findings revealed that a machine learning-based presurgical model of patients' clinical features may accurately predict the outcome of epilepsy surgery in patients with drug-resistant lesional epilepsy. The support vector machine (SVM) with the linear kernel yielded 76.1% in terms of accuracy could predict results in 96.7% of temporal lobe epilepsy (TLE) patients and 79.5% of extratemporal lobe epilepsy (ETLE) cases using ten clinical features. Significance: To predict the outcome of epilepsy surgery, this study recommends the use of a machine learning strategy based on supervised classification and se-lection of feature subsets data mining. Progress in the development of machine learning-based prediction models offers optimism for personalised medicine access.

研究の動機と目的

• 病変性で薬物耐性のてんかんにおけるてんかん手術予後を予測する機械学習ベースの術前予測モデルの開発。
• 非侵襲的臨床的および人口統計的特徴量を用いて、複数の教師あり分類アルゴリズムの性能を評価すること。
• 正確な予後予測に最も効果的な機械学習手法と特徴量サブセットを特定すること。
• 早期かつデータ駆動型の外科的意思決定を可能にする個別化医療の支援。

提案手法

• 7種類の異なる分類アルゴリズムを、てんかん患者の臨床的および人口統計的特徴量から成るデータセット上で学習させた。
• モデルの頑健性と一般化性能を評価するために、LOO（1人を除いて全員で学習）交差検証法を用いた。
• 予測性の高い臨床変数のサブセットを特定するために特徴量選択を実施した。
• 正答率、適合率、再現率、F1スコアという標準指標を用いて性能を評価した。
• 性能に基づき、サポートベクターマシン（SVM）に線形カーネルを適用したモデルを最適モデルとして選定した。
• 最終的なモデルは、側頭側てんかんおよび側頭外てんかんの両方の手術予後を予測するために10個の重要な臨床的特徴量を用いた。

実験結果

リサーチクエスチョン

• RQ1 病変性で薬物耐性のてんかんにおける再切除術後の短期的予後を予測する際、どの機械学習アルゴリズムが最も優れた性能を示すか？
• RQ2 教師あり分類を用いて、非侵襲的臨床的および人口統計的特徴量は、てんかん手術の予後をどの程度正確に予測できるか？
• RQ3 てんかん手術の予後予測の正確性を最大化するための最適な臨床的特徴量サブセットは何か？
• RQ4 機械学習モデルは、てんかん患者における個別化された外科的意思決定を改善できるか？

主な発見

• 線形カーネルを用いたサポートベクターマシン（SVM）は、手術予後予測において76.1%の最高正答率を達成した。
• 側頭側てんかん（TLE）患者では96.7%の再現率を示し、良好な予後に対する感受性が非常に高いことを示した。
• 側頭外てんかん（ETLE）では79.5%の再現率を達成し、てんかんのタイプにかかわらず一貫した性能を示した。
• 特徴量サブセット選択の適用により、モデルの性能と解釈可能性が顕著に向上した。
• 本研究では、臨床データを用いた教師あり機械学習が、短期的てんかん手術予後を信頼性高く予測できることを確認した。
• 結果は、個別化されたてんかん手術計画のための臨床ワークフローへの機械学習の統合を支援するものである。