1719911451
2024-07-02 09:01:47
7月1日に発表された研究によると、機械学習は心臓腫瘍の心エコー検査の解釈を改善するのに役立つ可能性がある。 医療情報科学の扉を開く。
イギリスのスタッフォードシャー大学のセイド・アリ・サデグ・ザデ博士率いる研究チームは、その機械学習モデルが心臓腫瘍の診断において、ほぼ完璧な曲線下面積（AUC）スコアなど、高い性能を達成したことを発見した。
「これらの研究結果は、機械学習が心臓腫瘍の診断に革命をもたらし、より正確で非侵襲的、患者中心の診断プロセスへの道筋を提供する可能性を示唆している」とサデグ・ザデ研究チームは記している。
心臓腫瘍はまれではありますが、他の病気と症状が似ているため、臨床医にとって特有の課題となります。これらの腫瘍の位置特定と特徴付けには、高度な画像診断が必要です。
心エコー検査はこの領域の主な画像診断法だが、腫瘍の種類を区別し悪性度を判断する能力には限界がある。研究者らは、機械学習技術が診断性能の向上につながる可能性があることを強調した。
Sadegh-Zadeh 氏とその同僚は、心臓腫瘍の診断精度を向上させるために、心エコー画像と病理学のデータを高度な機械学習技術と統合しました。彼らは、専門的な医療分野の限られたデータセットに最適化されたサポートベクターマシン、ランダムフォレスト、勾配ブースティングマシンを使用しました。
この研究には 399 人の患者の臨床データが含まれており、従来の診断基準に対するモデルのパフォーマンスが評価されました。研究者らは、ランダム フォレスト モデルが他のモデルよりも正確な診断において優れていると報告しました。
心臓腫瘍の診断における機械学習モデルの性能 測定 サポートベクターマシン 勾配ブースティングマシン ランダムフォレスト 正確度 71.25% 96.25% 96.25% 精度（良性腫瘍） 78% 99% 99% 精度（悪性腫瘍） 50% 88% 88% 再現率（良性） 43% 95% 95% 再現率（悪性） 43% 99% 99% F1 スコア（良性） 80.34 97.3% 97.3% F1 スコア（悪性） 46.51 93.88% 93.88% AUC 0.72 0.98 0.99
研究チームはまた、年齢、エコーの悪性度、エコーの位置といった重要な臨床予測因子を特定しました。これは、多様なデータタイプを統合することの価値を強調するものだと研究チームは指摘しました。
ランダム フォレスト モデルは臨床検証に組み込まれ、実際の設定で 94% の診断精度を達成しました。
研究の著者らは、この研究結果が心臓腫瘍の診断精度を向上させる機械学習の能力を示していると強調した。また、この研究は医療診断のさまざまな分野にわたるこの技術のより広範な応用について「将来の探究の基盤を築くものでもある」と付け加えた。この研究は、データセットの拡大と外部検証の必要性を強調していると著者らは指摘した。
「さらに、ワークフローの統合、臨床医のトレーニング、患者の転帰など、これらのモデルを臨床現場に統合する際の実際的な側面を理解するために実装研究を調べることは、導入を成功させるために不可欠である」と研究者らは書いている。
完全な調査結果は以下でご覧いただけます。 ここ。
#エコーを使った機械学習で心臓腫瘍の診断が向上