肺移植における機械学習の応用を理解する: ネラティブレビュー
Bieke Vercauteren1,2, Balin Özsoy1,3,4, Jasper Gielen2
1Department of Chronic Diseases and Metabolism, Laboratory of Respiratory Diseases and Thoracic Surgery (BREATHE), KU Leuven, Leuven, Belgium.
まとめ
機械学習 (ML) は,臓器配分のための複雑なデータを分析し,患者の結果を予測することによって,肺移植 (LTx) の結果を改善することができます. データの課題を克服することは,MLを臨床実践に統合するための鍵です.
科学分野:
- 移植に関する研究.
- 医療情報工学 医療情報工学
- 医療における人工知能
背景:
- 肺移植 (LTx) は末期肺疾患に不可欠ですが,ドナー不足や移植不全などの課題に直面しています.
- 機械学習 (ML) は,複雑なデータを分析し,洞察を明らかにし,結果を高めるための潜在的な解決策を提供します.
研究 の 目的:
- 肺移植における機械学習の研究をレビューする.
- MLの方法論と,LTxにおけるその適用について説明する.
- LTxの成果を向上させるためのMLの可能性と課題を強調する.
主な方法:
- LTxにおけるMLアプリケーションに関する既存の文献のレビュー.
- サポートベクトルマシン,ディープラーニング,ランダムフォレスト,トランスファーラーニングを含む様々なML技術の説明.
- マルチオミックスのデータと画像の分析におけるMLの役割についての議論.
主要な成果:
- MLは,臓器配分とLTx結果の予測において有望であることが示されています.
- 特定のMLテクニックは,リスクの階層化と解釈の改善に有効です.
- 移転学習は,限られたデータシナリオでのモデル開発を助けます.
- MLは,マルチオミックと画像診断にますます使用されています.
結論:
- 臨床採用の障壁には,小さなデータセット,データの矛盾,解釈の難しさ,検証の欠如などがあります.
- 将来の進歩は,多センターの協力,透明な方法,および臨床ワークフローの統合に依存します.
- MLは,LTxのアウトカムを改善するために,臨床的判断を補うべきであり,置き換えるべきではない.
