マルチモダルの臨床データを用いてアルツハイマー病の早期発見のための説明可能な機械学習モデル

科学分野:

• 医療における人工知能
• 生物医学データ科学
• 計算神経科学

背景:

• アルツハイマー病 (AD) は世界的な健康上の大きな課題であり,効果的な介入のために早期に正確な予測が必要である.
• 現在,ADを予測する機械学習モデルは透明性がなく",ブラックボックス"の性質のため,臨床採用を妨げています.

研究 の 目的:

• マルチモダルの患者データを用いてADの予測のための説明可能な人工知能 (XAI) フレームワークを開発し評価する.
• SHAP (SHapley Additive exPlanations) とLIME (Local Interpretable Model-agnostic Explanations) のテクニックを用いてAD予測におけるモデル解釈性を向上させる.

主な方法:

• 人口統計,医療,ライフスタイル,臨床,認知データを含む2,149人の患者 (年齢60~90歳) の包括的なデータセットを使用した.
• MinMaxの正常化,クラス不均衡のSMOTE,およびバックワード・エミリション・フィーチャー・セレクションを含む,適用されたデータ・プレプロセッシング.
• 6つの機械学習モデルを評価し,アリコロニー最適化でランダムフォレスト (RF) を最適化し,解釈性のためにSHAPとLIMEを使用した.

主要な成果:

• 最適化されたランダムフォレストモデルは,95%の精度,95%のリコール,94%のF1スコア,98%のAUCを達成しました.
• SHAPの分析では,機能評価,日常生活活動 (ADL),記憶障害,ミニメンタルステート試験 (MMSE) を主要な予測要因として特定しました.
• LIMEは,特定された特徴の臨床的関連性を確認する局所的な説明を提供した.

結論:

• XAIと機械学習を統合することで,AI駆動のAD診断ツールに対する透明性と信頼性が向上し,高い予測精度を維持できます.
• 将来の研究は,外部検証,臨床ワークフローの統合,現実世界の展開のための計算上の要求に対処することに焦点を当てるべきです.