MEDICINE & AI

タイトル：Vulnerabilities of feature clustering in EIT radiomics 雑誌名：Comput Biol Med. 2025 Dec 31; 201: 111438. 概　要： 本研究は、無監督機械学習を用いて、機械的換気を受けているCOVID-19患者の動的電気インピーダンストモグラフィ（EIT）画像に隠れた臨床的に関連するクラスタを発見できるかを検討しました。EIT画像は、患者の肺内の電気インピーダンスの分布を可視化し、機械換気を支援する際の陽圧呼気終末圧（PEEP）の最適化に臨床的に使用されます。2Dラジオミクス特徴を用いて無監督学習を行い、動的EITに基づく類似の病態生理を持つ患者のクラスタを見つけることを目指しました。 方　法： オランダの大規模な大学病院の集中治療室で行われた本研究では、108のラジオミクス特徴を抽出し、主成分分析、t分布確率的近傍埋め込み、k-means法を用いて動的肺インピーダンスの潜在クラスタを特定しました。潜在クラスタは患者の特性や換気変数によって記述され、ラジオミクス特徴の混乱を制御するために画像取得パラメータを検討しました。 結　果： 2020年3月から2021年9月までの間に、臨床EIT測定を受けた機械換気を受けているCOVID-19患者172人を対象に528のユニークなEITガイドPEEP試験を分析し、約250,000のEIT画像を解析しました。5つの潜在クラスタが特定され、各クラスタは患者の特性、換気変数、選択されたPEEPレベル、臨床的結果に関して異なりました。分析の結果、これらのクラスタは患者や臨床的特性ではなく、EITガイドPEEP試験中に検討されたPEEPステップの数に関するアーティファクトを含んでいることが示されました。 結　論： 無監督機械学習によって特定されたクラスタには臨床的に重要な違いが見られましたが、最終的にはデータ取得プロセス中に設定されたPEEPステップの数によって混乱されていることが示されました。この混乱を克服するためには、EITガイドPEEP試験の標準化された取得方法や、より大規模なデータセットが必要です。それでも、このクラスタリングは臨床的関連性を持ち、EITガイドPEEP試験が患者ごとに異なる適用がされており、これらの違いが明確な臨床的結果に関連していることを示唆しています。これは、換気の実施者が意識的または無意識的に行う決定が患者の結果に強く関連していることを意味します。