小児呼吸器疾患における抗生物質感受性予測のためのコンセンサス重み付けマルチエージェントアンサンブル特徴量選択フレームワーク
A consensus-weighted multi-agent ensemble feature selection framework for antibiotic susceptibility prediction in pediatric respiratory diseases
小児呼吸器疾患における抗生物質感受性予測は、治療失敗や薬剤耐性リスクのため重要である。本研究では、冗長性を考慮したコンセンサスベースの特徴量選択フレームワークを提案し、予測性能と臨床的有用性を向上させる。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)を組み合わせ、コンセンサススコアリング、投票強度、冗長性ペナルティを用いてモデルを構築した。12の分類器をテストし、遺伝的アルゴリズムで選択された3つの最良分類器(決定木、XGBoost、LightGBM)を用いてソフト投票アンサンブルを構築した。LightGBM単独では精度0.8718、F1スコア0.8726、ROC-AUC 0.9498を達成した。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を達成した。提案手法は、抗生物質感受性予測のための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を選択することに成功した。SHAP分析では、抗生物質の種類と細菌種が主要因であり、臨床的、炎症性、環境的、病院関連要因も重要な役割を果たした。このフレームワークは、小児の抗菌薬意思決定支援の研究に有用な機械学習ツールを提供する。
- 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。
- SHAP分析により、抗生物質の種類と細菌種が主要因であり、臨床的・炎症性・環境的・病院関連要因も重要であると示された。
抗菌薬感受性予測という臨床意思決定支援領域に、特徴量選択のコンセンサス手法とアンサンブル学習を組み合わせて精度0.88前後を達成した研究。技術的には汎用的な機械学習パイプラインの応用であり、新規アルゴリズムの提案ではないため、単独での投資インパクトは限定的。ただし、抗菌薬耐性(AMR)対策は製薬・診断・医療AIの各領域で政策資金が流入しやすいテーマであり、こうした予測モデルが診断支援製品に組み込まれる流れは、感染症診断・臨床検査企業やヘルスケアAI企業にとって中期的な追い風になり得る。データセットや外部検証の有無、規制承認への道筋が示されていない点は留意が必要。