線維筋痛症/慢性疲労症候群の分類のための専門家システムの開発

線維筋痛症/慢性疲労症候群（ME/CFS）は、起源が不明で予後が非常に悪い重篤な状態です。現在、ME/CFSに対する正確な診断テストはなく、診断は主に特定の症状の存在によって決定されます。本研究は、ME/CFSの潜在的な代謝バイオマーカーを特定し分類する説明可能な人工知能（XAI）統合機械学習（ML）フレームワークを提案します。19名のコントロールと32名のME/CFS患者（すべて女性）の血液サンプルから得たメタボロミクスデータが、XAIベースのモデルを開発するために使用されました。データセットは832種類の代謝物を含んでおり、特徴選択の後、50種類の代謝物のみを使用してモデルが開発されたため、医学的知識の要件が少なくなり、診断コストが削減され予後時間が改善されました。この計算手法は、特徴選択前後の6種類の異なるMLアルゴリズムを使用して開発されました。最終的な分類モデルは、XAIアプローチであるSHAPを使用して説明されました。最も性能の良い分類モデル（XGBoost）は、受信者動作特性曲線（AUCROC）の値が98.85%に達しました。SHAPの結果は、アルファ-CEHC硫酸塩、ハイポキサンチン、フェニルアセチルグルタミンのレベルが低下し、N-delta-acetylornithineおよびオレオイル-リノロイル-グリセロール（18:1/18:2）2のレベルが上昇することが、ME/CFSのリスクを高めることを示しました。使用された方法論の堅牢性に加えて、結果はMLとXAIの組み合わせがME/CFSのバイオマーカー予測を説明できることを示し、ME/CFSの予後モデルを確立するための第一歩を提供しました。