RINet: 間接的な臨床参照分布推定のための合成データトレーニング

科学分野:

• 臨床化学および実験室医学
• 生物統計学およびデータサイエンス
• ヘルスケアにおける機械学習

背景:

• 間接法は、日常的な検査データの統計的分析を使用して臨床参照間隔（RI）を推定します。
• 教師あり学習は有望ですが、実世界のデータ制約によって制限されます。
• 合成データは、間接RI推定法の開発とベンチマークに利点を提供します。

研究 の 目的:

• 参照分布（RD）およびRIの間接推定のための深層学習モデルを開発および評価すること。
• 単変量および二変量の両方の臨床データを処理できるモデルをトレーニングするために合成データを利用すること。
• これらのモデルのパフォーマンスを既存の間接RI推定アルゴリズムと比較すること。

主な方法:

• 単変量用と二変量用の2つの畳み込みニューラルネットワーク（CNN）を合成データを使用してトレーニングしました。
• 二変量CNNは、臨床分析物間の共分散を予測するように設計されました。
• 合成データセットと実世界の臨床データセットの両方でモデルのパフォーマンスを評価し、4つの代替アルゴリズムと比較しました。

主要な成果:

• CNNモデルの予測は、実世界のデータと合成データの両方で、直接推定されたRIおよびRDと密接に一致しました。
• モデルは、間接RI推定においてGMM、refineR、reflimR、およびRINet_v1よりも優れたパフォーマンスを発揮しました。
• 予測された多変量参照領域（MRR）は、単変量RIと比較して、健康な患者のカバレッジが改善され、領域サイズが縮小しました。

結論:

• 合成データで深層学習モデルをトレーニングすることは、正確な間接RI推定のための実行可能な戦略です。
• このアプローチは、実世界のデータと従来の単変量RIに関連する制限を効果的に対処します。
• 開発されたモデルは、単変量および二変量の両方のコンテキストで正確なRI推定のためのデータ駆動型ソリューションを提供します。