PM2.5成分分析におけるオープンベンチマークでの仮説負荷の低い特徴量発見はCoxベース選択を上回る

科学分野:

• 環境保健
• データサイエンス
• 計算生物学

背景:

• 機械学習の仮定の誤解により、環境研究におけるAIの誤用が一般的です。
• 複雑な曝露-結果関係は、正確なモデリングのために慎重な特徴量選択を必要とします。

研究 の 目的:

• 環境研究における下流のAIモデルパフォーマンスに対する異なる特徴量選択戦略の影響を評価すること。
• 大気質と健康アウトカムの分析のための頑健な特徴量選択方法を特定すること。

主な方法:

• Coxベースの有意性、特徴量凝集（FA）、高変動遺伝子選択（HVGS）、およびスピアマン順位相関係数を比較しました。
• 交差検証下で固定ランダムフォレストモデルを使用したCOPD死亡率と大気質のベンチマークで特徴量選択方法を評価しました。
• 教師なし構造発見とノンパラメトリックスクリーニングを組み合わせたハイブリッドワークフローを開発および評価しました。

主要な成果:

• スピアマン順位相関係数は5および8特徴量で一貫して最高の精度を達成しました。
• 特徴量凝集は少ない特徴量セットで競争力がありました。
• HVGSは中程度のパフォーマンスを示しました。
• Coxベース選択は、非線形性や多重共線性などの問題を示唆し、パフォーマンスが低下しました。
• ハイブリッドワークフローは、より安定した再現可能な特徴量セットを生成しました。

結論:

• 特徴量選択は、環境健康研究におけるAIモデルのパフォーマンスに大きく影響します。
• スピアマン順位相関係数とハイブリッドアプローチは、従来のCoxベースの方法よりも信頼性の高い特徴量選択を提供します。
• この調査結果は、AIの誤用を軽減し、環境研究における因果モデリングを強化するための実践的なフレームワークを提供します。