心血管リスク評価における頸動脈内膜の厚さの予測のためのKolmogorov-Arnoldネットワーク

科学分野:

• 心血管医学
• 医療における人工知能
• 生物医学情報学

背景:

• カロチド内膜の厚さ (CIMT) は,無症状性動脈硬化症の有効な非侵襲的マーカーです.
• 心血管疾患 (CVD) のリスクを早期に予測することは,適切な介入に不可欠です.
• 既存のリスク分層モデルは,高度な機械学習のアプローチから利益を得ることができます.

研究 の 目的:

• CIMTで定義された4つの心血管リスクレベルに患者を分類するための機械学習モデルを開発し,検証する.
• コルモゴロフ・アーノルド・ネットワーク (KAN) の性能を,心血管疾患リスク予測の従来のアルゴリズムと比較して評価する.
• 常時収集される臨床的,生化学的,人口学的変数の心血管リスクを予測する有用性を評価する.

主な方法:

• 13の予測変数を持つ100人の成人のデータセットを使用した.
• 5段階のデータ事前処理パイプラインには,帰算,エンコーディング,スケーリング,異常値の除去,およびバランス (SMOTE-NC) が含まれていました.
• ELU アクティベーションとSoftmax 出力を持つKolmogorov-Arnold Network (KAN) が訓練され,5倍クロスバリデーションを使用した6つの伝統的な機械学習モデルと比較されました.

主要な成果:

• KANモデルは,93%の精度,93%のリコール,91%のF1スコア,および0.97のROC-AUCを達成しました.
• KANモデルは,様々なパフォーマンス指標において,すべてのベースラインアルゴリズムを 8~19%上回った.
• モデル解釈性を高め,予測要素の冗長性を減らすために特徴選択技術が採用されました.

結論:

• コルモゴロフ・アーノルド・ネットワーク (KAN) は,マルチクラス分類タスクの複雑な関係を把握する優れた能力を示しています.
• KANは早期の心血管リスクの分層化に 有効で低コストなツールとして大きな可能性を秘めている.
• このAI主導のアプローチは,CIMTと関連する患者データに基づいて心血管リスクの階層を予測することを強化します.