[論文レビュー] Ensembled Correlation Between Liver Analysis Outputs

Şadi Evren Şeker, Yavuz Ünal+2 more|arXiv (Cornell University)|Jan 25, 2014

Artificial Intelligence in Healthcare参考文献 20被引用数 9

ひとこと要約

本研究では、16,380件の肝機能検査結果から成るデータセットを対象に、KNN、SVM、MLP、決定木、メタ・クラスファイアなどのデータマイニング手法を適用し、主要な肝機能パラメータ間の相関関係を分析した。ALT、AST、直接ビリルビン、全ビリルビンの間に強い線形相関（R²最大94％）が確認され、1つのパラメータを他のパラメータから低誤差率（15％）で信頼性高く予測可能であることが判明した。

ABSTRACT

Data mining techniques on the biological analysis are spreading for most of the areas including the health care and medical information. We have applied the data mining techniques, such as KNN, SVM, MLP or decision trees over a unique dataset, which is collected from 16,380 analysis results for a year. Furthermore we have also used meta-classifiers to question the increased correlation rate between the liver disorder and the liver analysis outputs. The results show that there is a correlation among ALT, AST, Billirubin Direct and Billirubin Total down to 15% of error rate. Also the correlation coefficient is up to 94%. This makes possible to predict the analysis results from each other or disease patterns can be applied over the linear correlation of the parameters.

研究の動機と目的

• データマイニング手法を用いて、主要な肝機能検査出力間の相関の強さと信頼性を調査すること。
• アンサンブル学習手法が、肝障害の指標であるパラメータ間の予測精度を向上させるかを評価すること。
• ALT、AST、全ビリルビン、直接ビリルビンの間の線形関係が、疾患パターンの認識を支援できるかを検証すること。
• 最小限の誤差で肝機能検査結果を予測できる機械学習モデルの有効性を検証すること。
• 臨床的・診断的状況において、1つの肝パラメータを他のパラメータの代理として使用する可能性を検討すること。

提案手法

• 1年間分の16,380件の肝機能検査結果を収集・分析した。
• K-近傍法（KNN）、サポートベクターマシン（SVM）、多層パーセプトロン（MLP）、決定木の複数の機械学習モデルを適用した。
• 個々のモデルの予測を統合して全体の相関精度を向上させるためにメタ・クラスファイアを用いた。
• ALT、AST、直接ビリルビン、全ビリルビンの間の関係を数量化するために線形相関分析を実施した。
• 誤差率と決定係数（R²）を主な指標として、モデルの性能を評価した。
• 他のパラメータの値から1つの肝パラメータを予測する方法に焦点を当て、予測の実用性を検証した。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、肝機能検査出力（ALT、AST、全ビリルビン、直接ビリルビン）を互いにどの程度予測できるか。
• RQ2 アンサンブル学習手法を用いた場合、主要な肝パラメータ間の達成可能な相関係数（R²）はどの程度か。
• RQ3 メタ・クラスファイアは、個々のモデルと比較して肝機能検査結果の予測精度を向上させられるか。
• RQ4 提案されたアンサンブル手法を用いて、他のパラメータから1つの肝パラメータを予測する際の誤差率はどの程度か。
• RQ5 肝機能マーカー間の線形相関は、臨床的予測用途においてどの程度信頼できるか。

主な発見

• ALT、AST、直接ビリルビン、全ビリルビンの間には強い線形相関（R²最大94％）が確認された。
• アンサンブル予測モデルは、他のパラメータから1つの肝パラメータを予測する際、15％の低誤差率を達成した。
• メタ・クラスファイアは、個々のモデルと比較して、全体の相関性能を向上させた。
• 結果から、肝機能検査出力は非常に相関が強く、パラメータ間での信頼性ある予測が可能であることが示された。
• 高いR²と低い誤差率から、これらのパラメータは診断モデリングにおいて相互に代替可能であると示唆された。
• 本研究では、データマイニング手法が、高い精度で肝機能検査の関係を効果的にモデル化・予測できることを確認した。