説明可能な機械学習モデルによる原因不明の塞栓性脳卒中における原因プラーク石灰化の分類

科学分野:

• 神経学
• 心血管医学
• 人工知能

背景:

• 原因不明の塞栓性脳卒中（ESUS）は、50%未満の狭窄であっても頸動脈プラークと関連している。
• プラークの脆弱性は、プラーク内出血（IPH）、脂質リッチ壊死コア、血管周囲脂肪組織（PVAT）、および石灰化の影響を受ける。
• 従来のプラーク評価は、特に機械学習（ML）モデルの場合、解釈可能性が欠けている。

研究 の 目的:

• 原因プラークと非原因プラークを分類するために、SHapley Additive exPlanations（SHAP）を用いた説明可能なMLアプローチを適用する。
• 脳卒中の原因となる可能性のあるプラークおよび石灰化の特徴を特定する。
• 脳卒中予測におけるMLモデルの臨床的解釈性を高める。

主な方法:

• CT血管造影で石灰化頸動脈プラークを有する片側前循環ESUS患者の後ろ向き解析。
• PVAT量を含む石灰化レベルおよびプラークレベルの特徴の抽出。
• 8つのML分類器のベンチマーキング、勾配ブースト決定木（CatBoost）をSHAPを用いて調整および説明。

主要な成果:

• 5つのプラーク/石灰化特徴を用いたMLモデルは、ROC-AUC 0.79を達成し、プラーク厚（0.59）およびIPHの存在（0.51）を上回った。
• SHAP分析により、プラーク厚（>2.6 mm）およびPVAT量（≥112 mm³）が最も影響力のある特徴として特定された。
• モデルは、原因となる石灰化頸動脈プラークの優れた分類精度を示した。

結論:

• 非石灰化プラークおよび石灰化特徴を組み込んだMLモデルは、ESUSにおける原因となる頸動脈プラークの分類を改善する。
• 説明可能なML（SHAP）は、臨床的に解釈可能な洞察を提供し、プラークの脆弱性に関連する可能性のある閾値を示唆する。
• このアプローチは、塞栓性脳卒中に関連するプラークの特徴の理解を深める。