抄録 全血球計算（CBC）パラメータは、貧血、感染症、炎症性疾患、その他の血液学的異常など、さまざまな血液疾患の早期発見に重要である。臨床検査情報は増加し続けるとともに複雑化しており、人手による解釈は困難で時間を要し、人的過誤も生じやすい。本研究では、診断精度を向上させ、臨床意思決定を支援するため、機械学習（ML）技術を用いた自動血液学的分類システムを提示する。解析には、ヘモグロビン（Hb）、赤血球数（RBC）、白血球数（WBC）、ヘマトクリット（HCT）、血小板数、平均赤血球ヘモグロビン量（MCH）、その他の血液指標を含む、7,196件の患者記録からなる臨床的に検証済みの血液学データセットを使用した。ロジスティック回帰（LR）、ナイーブベイズ（NB）、サポートベクターマシン（SVM）、決定木（DT）、ランダムフォレスト（RF）、多層パーセプトロン（MLP）、Extra Trees（ET）、拡張ランダム化フォレスト（ERF）の8種類のML分類器を、層化10分割交差検証によって評価した。モデル性能の統計的信頼性を確保するため、正解率、適合率、感度（再現率）、特異度、F1スコア、受信者動作特性曲線下面積（AUC-ROC）、Cohenのκ係数、および95％信頼区間（CI）を用いた。その結果、木ベースのアンサンブルアルゴリズムは従来のMLアルゴリズムを上回った。評価した分類器はいずれも優れた性能、頑健性、汎化能力を示し、ERF分類器は全分類器の中で正解率、感度、F1スコア、AUC-ROC、およびCohenのκ係数が最も高かった。RFとDTも有効であった一方、LRとNBは非線形関係およびクラス不均衡を処理できないため、効果が低かった。さらに、モデルの予測を説明し、臨床的に重要な血液学的特徴を特定するため、Shapley Additive exPlanations（SHAP）やLocal Interpretable Model-agnostic Explanations（LIME）などの説明可能人工知能（XAI）手法を用いた。解釈可能性の分析から、白血球、Hb、赤血球、HCT、MCH、および血小板に関連するパラメータが分類判断において最も重要であり、モデルの透明性と信頼性の向上に寄与することが示された。結論として、提案するERFベースの手法は、血液学的データを自動分類するための正確で信頼性の高い方法であり、疾患の早期発見と医療転帰の改善に向けた知的臨床意思決定支援システムへの応用可能性を有する。
https://doi.org/10.21203/rs.3.rs-10918180/v1