胎児の健康分類におけるクラス不均衡の対処:心臓トコグラフィのデータに関する複数のクラスの再サンプリング方法の厳格なベンチマーク

科学分野:

• 医療情報工学 医療情報工学
• 医療における機械学習
• バイオメディカルアプリケーションの信号処理

背景:

• 心臓トコグラフィー (CTG) による胎児の健康モニタリングは,産前ケアの結果にとって極めて重要です.
• 手動CTGの解釈は,検査官間での有意な変動に苦しんでいます.
• CTGデータセットのクラス不均衡 (<10%の病理症例) は,重大な状態の正確な検出を妨げています.

研究 の 目的:

• 5つの再サンプリング戦略を7つの分類者ファミリーと体系的に比較して,多クラスCTGの分類を行う.
• 全体的な正確性を超えた不均衡認識メトリックを使用してパフォーマンスを評価する.
• 自動胎児健康スクリーニングのための信頼性の高い,モデルアグノスティックなベースラインを確立する.

主な方法:

• 7つの機械学習モデル (例えば,ランダムフォレスト,SVM,MLP) が評価されました.
• 5つの再サンプリング方法 (SMOTE,BSMOTE,ADASYN,NearMiss,SCUT) を,元の不均衡データセットと比較した.
• 性能は,バランスされた精度 (BACC),マクロF1,マクロMCC,マクロ平均ROC-AUC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) が最も信頼性の高いモデルとなった.
• BSMOTEを使用したRFは,クラスバランスの最も高いパフォーマンスを達成しました (マクロ-MCC = 0.8533,マクロ-F1 = 0.9073).
• 過剰サンプリング技術,特にSMOTEとBSMOTEは,マイノリティの階級差別を大幅に改善し,モデル全体でバランスの取れたメトリックをもたらしました.

結論:

• 戦略的過剰サンプリングは,CTG分析におけるマイノリティクラス検出を効果的に強化します.
• これらの発見は,胎児の健康スクリーニングに機械学習を導入するための堅実なベースラインを提供します.
• 改善された差別は,コストに敏感な環境において,臨床的に有意義なパフォーマンスの向上につながります.