人工知能を用いた子供と青少年における脂肪肝の予測因子の調査

科学分野:

• 小児肝疾患
• 医療情報工学
• 医療における機械学習

背景:

• 幼児の肥満は世界的な健康問題であり,非アルコール性脂肪肝疾患 (NAFLD) の発生率を増加させています.
• NAFLD診断の現在の標準である肝臓生検は 侵襲的かもしれません 先進的な方法による早期発見は 患者の予後を改善するために不可欠です
• 機械学習 (ML) は,小児性NAFLDの非侵襲的早期診断ツールを開発するための有望な手段を提供します.

研究 の 目的:

• MLモデルを用いた小児集団におけるNAFLDの主要な予測要因を特定する.
• 肝臓バイオプシーの結果に基づいてNAFLDの診断における様々なMLアルゴリズムの有効性を評価する.
• 繊維症,ステアトーシス,気球化などの特定のNAFLD組織学的特徴の予測性能を評価する.

主な方法:

• 2011年から2023年の間に肝臓バイオプシーを受けたNAFLDの疑いのある659人の子供のデータを分析した.
• データの事前処理には,カテゴリ変数のワンホットエンコーディングと数値特性の標準化が含まれていました.
• CatBoost,AdaBoost,Random Forest,GradientBoostingを含むMLモデルのトレーニングと評価は,クロス検証と精度,リコール,F1スコア,ROC-AUCなどのメトリックを使用しています.

主要な成果:

• CatBoost ClassifierはNAFLD診断のクロス検証において最も高い予測精度 (91. 8%) とROC-AUC (92. 3%) を達成した.
• 調整されたモデルでは,CatBoostのF1スコアが83%から89%に上昇した (AUC: 0. 86- 0. 92).
• GradientBoostingや Bernoulli Naive Bayesのような他のモデルも,調整後に予測能力を向上させました.

結論:

• 機械学習モデル,特にCatBoostは,子供におけるNAFLDの正確な早期診断に重要な可能性を秘めています.
• これらの発見は,小児性NAFLDの臨床意思決定を支援する貴重なツールとしてMLが役立つことを示唆しています.
• MLアルゴリズムのさらなる開発と検証は,小児期NAFLDの診断戦略と患者管理の改善につながる可能性があります.