悪性胸水の特定のための自動運転人工知能フレームワーク

本研究は、悪性胸水（MPE）と良性胸水（BPE）を区別するための深層学習および機械学習技術の適用可能性を探ることを目的としました。最初に726人の胸水（PE）患者のレトロスペクティブコホートを使用して、自動運転人工知能（AI）の予測性能を訓練およびテストし、次に深層学習および5つの機械学習モデル（勾配ブースティングマシン（GBM）、エクストリーム勾配ブースティング（XGBoost）、極めてランダムな木（XRT）、分散ランダムフォレスト（DRF）および一般化線形モデル（GLM））とスタックしました。さらに、172人のPE患者を持つ前向きコホートを適用して、予測モデルの外的妥当性を検出しました。トレーニング、テスト、および検証セットにおける曲線下面積（AUC）は、深層学習（0.995、0.848、0.917）、GBM（0.981、0.910、0.951）、XGBoost（0.933、0.916、0.935）、XRT（0.927、0.909、0.963）、DRF（0.906、0.809、0.969）、およびGLM（0.898、0.866、0.892）でした。深層学習モデルはトレーニングセットで最も高いAUC（AUC = 0.995）を有しましたが、GBMは三つのデータセットで安定した高い予測効率を示しました。スタックアンサンブルによって得られた最終的なAIモデルは、トレーニング、テスト、および検証セットでAUCがそれぞれ0.991、0.912、0.953という最適な診断性能を示しました。日常的に収集された臨床データに基づく自動運転AIフレームワークを使用することで、MPEとBPEの区別における診断性能が大幅に向上する可能性があります。