[論文レビュー] Triaging moderate COVID-19 and other viral pneumonias from routine blood tests

Forrest Sheng Bao, Youbiao He+10 more|arXiv (Cornell University)|May 13, 2020

COVID-19 diagnosis using AI参考文献 23被引用数 19

ひとこと要約

本研究では、208例の中等症COVID-19および86例の非COVID-19ウイルス性肺炎患者のデータを用いて、日常的血液検査を活用し、ランダムフォレストとサポートベクターマシン（SVM）を用いた機械学習的手法を提案する。SVMベースの分類器は、84％の正確性、88％の感度、80％の特異性、92％の陽性予測値を達成した。

ABSTRACT

The COVID-19 is sweeping the world with deadly consequences. Its contagious nature and clinical similarity to other pneumonias make separating subjects contracted with COVID-19 and non-COVID-19 viral pneumonia a priority and a challenge. However, COVID-19 testing has been greatly limited by the availability and cost of existing methods, even in developed countries like the US. Intrigued by the wide availability of routine blood tests, we propose to leverage them for COVID-19 testing using the power of machine learning. Two proven-robust machine learning model families, random forests (RFs) and support vector machines (SVMs), are employed to tackle the challenge. Trained on blood data from 208 moderate COVID-19 subjects and 86 subjects with non-COVID-19 moderate viral pneumonia, the best result is obtained in an SVM-based classifier with an accuracy of 84%, a sensitivity of 88%, a specificity of 80%, and a precision of 92%. The results are found explainable from both machine learning and medical perspectives. A privacy-protected web portal is set up to help medical personnel in their practice and the trained models are released for developers to further build other applications. We hope our results can help the world fight this pandemic and welcome clinical verification of our approach on larger populations.

研究の動機と目的

• 臨床的類似性と検査の限界による、中等症COVID-19と他のウイルス性肺炎を区別する課題に対処する。
• 広範なSARS-CoV-2検査の制限を克服するため、日常的収集された血液検査データを活用する。
• 利用可能な臨床データを用いて、早期かつ低コストの中等症肺炎のトリアージを可能にする機械学習モデルの開発。
• プライバシー保護されたWebポータルとオープンソース化されたモデルを通じて、モデルの解釈可能性と実用的導入を確保する。
• 検査能力が逼迫するパンデミックの増加期において、医療提供者が臨床意思決定を支援する。

提案手法

• 208例の中等症COVID-19および86例の非COVID-19ウイルス性肺炎患者の日常的血液検査データを入力特徴量として使用する。
• 分類に向け、ランダムフォレスト（RFs）とサポートベクターマシン（SVMs）という2つの強固な機械学習ファミリーを適用する。
• 血液バイオマーカーに基づいて、中等症COVID-19と非COVID-19ウイルス性肺炎を区別するためのモデルを訓練する。
• 標準的なハイパーパramータチューニングおよび交差検証技術を用いて、モデルのパフォーマンスを最適化する。
• 訓練済みモデルのリアルタイム臨床適用を可能にするプライバシー保護型Webポータルを実装する。
• 訓練済みモデルをオープンソースとして公開し、さらなる開発および臨床的・研究的応用への統合を促進する。

実験結果

リサーチクエスチョン

• RQ1 日常的血液検査データは、中等症COVID-19と非COVID-19ウイルス性肺炎を信頼性を持って区別できるか？
• RQ2 異なる機械学習モデル（例：RF対SVM）は、血液バイオマーカーを用いてこれらの状態を分類する際に、どのように性能を発揮するか？
• RQ3 モデルの予測は、機械学習的および臨床的両観点からどの程度解釈可能か？
• RQ4 本アプローチを用いたデプロイされたシステムは、検査能力が限られた臨床現場でのトリアージを支援できるか？
• RQ5 最も優れたパフォーマンスを示したモデルの正確性、感度、特異性、陽性予測値はそれぞれどの程度か？

主な発見

• SVMベースの分類器が最高のパフォーマンスを示し、84％の正確性、88％の感度、80％の特異性、92％の陽性予測値を達成した。
• モデルの予測は、機械学習的および臨床的両観点から解釈可能であることが判明し、信頼性と実用性が向上した。
• 最も優れたモデルは、テストセットにおいて強力な一般化性能を示しており、血液検査値のばらつきに対しても頑健であることが示された。
• 結果から、日常的血液検査には中等症ウイルス性肺炎のトリアージに十分な判別情報が含まれている可能性がある。
• プライバシー保護型Webポータルが正常にデプロイされ、臨床利用を支援した。また、訓練済みモデルは一般公開され、再利用が可能となった。
• 本研究は、リソースが限られたまたは高需要が予想される状況におけるPCR検査の代替として、スケーラブルで低コストな選択肢を提供する。