MEDICINE & AI

タイトル：Machine learning and bayesian network based on fuzzy AHP framework for risk assessment in process units. 雑誌名：Sci Rep. 2025 Nov 07; 15(1): 39083. 概　要： 本研究は、プロセスユニットの安全性を確保するためのリスク評価において、機械学習とベイジアンネットワークを組み合わせた手法を提案しています。HAZOP手法を用いて特定された160の逸脱データセットを基に、ランダムフォレスト、XGBoost、CatBoostなどのアンサンブル法から、ロジスティック回帰、KNN、SVM、CNNなどの従来の手法まで多様な評価アルゴリズムを使用しました。これにより、従来の統計手法と最先端の機械学習技術を包括的に比較しました。特に、ランダムフォレスト、XGBoost、CatBoostは、トレーニングおよびテストデータセットで優れたパフォーマンスを示し、AUCスコアがほぼ完璧で、精度が1.0000に達しました。ベイジアンネットワークと多基準意思決定（MCDM）の融合においては、「電解セルの腐食」と「セルの損傷と爆発」が他の選択肢よりも高い優先度を持つことが示されました。 方　法： 本研究は、HAZOP手法を用いて特定された160の逸脱を対象とした記述的かつ分析的な研究です。評価には、ランダムフォレスト、ヒストグラム勾配ブースティング、XGBoost、CatBoostなどのアンサンブル法と、ロジスティック回帰、KNN、SVM、CNNなどの従来手法が用いられました。これにより、様々なモデリングアプローチの比較が行われました。 結　果： ランダムフォレスト、XGBoost、CatBoostは、トレーニングおよびテストデータセットで優れたパフォーマンスを示し、AUCスコアがほぼ完璧で、精度が1.0000に達しました。また、ベイジアンネットワークとMCDMの融合により、「電解セルの腐食」と「セルの損傷と爆発」が高い優先度を持つことが確認されました。 結　論： 機械学習技術とベイジアンネットワーク、MCDMの組み合わせは、リスク評価およびリスクオプションの優先順位付けにおいて効果的なツールとなることが示されました。これらの手法を活用することで、リスクを効果的に軽減するための適切な管理および予防策を実施できる可能性があります。