頭蓋顔面形態計測における欠損データ補完手法の評価：小規模かつ多重共線性の高いデータセットからの洞察

科学分野:

• 頭蓋顔面形態計測研究
• 医用画像解析
• 生体計測データサイエンス

背景:

• 頭蓋顔面形態計測は、発生、形態異常、および外科的計画の理解に不可欠です。
• 不完全なCTスキャンは欠損データにつながり、結果を偏らせたり、統計的検出力を低下させたりする可能性があります。
• 欠損データに対処することは、正確な頭蓋顔面研究にとってcriticalです。

研究 の 目的:

• 頭蓋顔面データの欠損に対する補完手法を評価すること。
• 小規模で高次元かつ相関の高いデータセットに最適な手法を特定すること。
• 形態計測解析におけるデータの整合性を確保すること。

主な方法:

• 5つの補完手法（平均/中央値、k最近傍法（kNN）、Multiple Imputation by Chained Equations（MICE）、Random Forest（RF）、決定木）を比較しました。
• 32の観測値から42の頭蓋顔面変数を持つデータセットを使用し、20％のランダムな欠損値を導入しました。
• 性能は、RMSE、MAE、および分散保持を使用して評価されました。

主要な成果:

• ランダムフォレスト（RF）補完は、RMSE（1.3987）およびMAE（0.4902）が最も低く、優れた性能を示しました。
• RF補完は、良好な分散保持（0.8961）を達成し、データセットの変動性を維持しました。
• Multiple Imputation by Chained Equations（MICE）は、精度は低い（RMSE：3.0869、MAE：1.1246）ものの、分散保持（1.0580）はより近い値でした。

結論:

• 適切な補完手法の選択は、頭蓋顔面形態計測における小規模で高次元かつ相関の高いデータセットにとってcriticalです。
• ランダムフォレスト（RF）補完は、精度と分散保持のバランスから推奨されます。
• 効果的な補完は、頭蓋顔面形態計測研究の信頼性を高めます。