機械学習ベースの胎児健康予測とスマートWebアプリケーションの開発

• 心電図(ECG)不整脈検出のため、患者データを中央集約せず分散学習する半教師あり連合学習フレームワークを提案。マルチレベル特徴抽出・適応的特徴融合・疑似ラベリングを組み合わせ、ラベル付き/ラベルなしデータを活用。
• クライアントの貢献度を考慮した重み付き連合集約によりグローバルモデルを更新する方式を採用。
• MIT-BIH不整脈データセットで評価し、半教師あり連合学習設定で96.81%の精度とAUC 0.9957を達成。ランダムフォレスト、SVM、K近傍法、AdaBoost、勾配ブースティング、多層パーセプトロンと比較。

心血管疾患(CVD)は世界人口の約3分の1に影響を与える主要な健康問題であり、多大な経済的・社会的損失をもたらしている。本レビューは、PRISMA 2020ガイドラインに基づき、69の研究を対象とした最新のマルチモーダル入力深層学習アルゴリズムを体系的に分析し、CVDの早期検出とリスク評価の向上に焦点を当てている。ウェアラブルセンサー、医療画像、電子健康記録(EHR)、ゲノムプラットフォームなどの先進的なデータモダリティを活用し、統合されたマルチモーダルデータによるCVDリスクの包括的評価が進んでいる。レビューでは、心電図(ECG)、心拍変動(HRV)、血圧(BP)、心エコー図、心臓MRI/…

• 胎児後頸部浮腫(NT)測定を自動化する新AIモデル「EMSSTGAN」を提案し、精度98.15%、誤差1.85%、偽陽性率2.44%を達成したと報告
• FRANetによるノイズ除去とMARNによるコントラスト強調、U-Netセグメンテーション、Active Contour Model(ACM)を組み合わせた処理パイプラインを構築
• 計測したNT厚を閾値と比較し、染色体異常リスクを低・中・高に分類する仕組みを実装

• 小児呼吸器疾患における抗生物質感受性予測のため、6つの特徴量選択エージェント(ランダムフォレスト重要度、勾配ブースティング重要度、ANOVA F検定、相互情報量、RFE-ランダムフォレスト、RFE-勾配ブースティング)を統合したコンセンサスベース特徴量選択フレームワークを提案。
• 12の分類器を評価し、遺伝的アルゴリズムで選ばれた決定木・XGBoost・LightGBMの3モデルによるソフト投票アンサンブルを構築。LightGBM単独で精度0.8718、F1スコア0.8726、ROC-AUC 0.9498を達成。
• アンサンブルモデルは精度0.8799、リコール0.8907、特異度0.8692、F1スコア0.8811、ROC-AUC 0.9490を達成し、コンパクトで冗長性のない臨床的に解釈可能な予測因子サブセットの選択に成功。

• マルチスケール特徴抽出と階層的アテンション機構を組み込んだ新アーキテクチャ「MSHAN」を提案し、ECG不整脈検出で全体精度96.25%を達成した。
• マクロ平均感度95.34%以上、マクロ平均精度95.01%以上、特異度98.36%以上、平均AUC 0.980を記録した。
• MIT-BIH不整脈データベースを用いた実験で、従来手法のResNet-1D(92.14%)や1D CNN(88.73%)を上回る性能を示した。