未対の臨床データと遺伝データを用いた2型糖尿病の転移学習予測
カテゴリ：公衆衛生・予防医療
公開日：2025年7月30日
タイトル：Transfer learning prediction of type 2 diabetes with unpaired clinical and genetic data.
雑誌名：Sci Rep. 2025 Jul 29; 15(1): 27695.
概 要：
韓国における2型糖尿病（T2DM）の有病率は近年増加していますが、多くの症例が未診断のままです。本研究では、臨床データと遺伝データを組み合わせた新しい転移学習フレームワークを提案し、5年以内のT2DM発症予測を行いました。未対のマルチモーダルデータを活用し、クラス不均衡に対処するために、重み付きバイナリ交差エントロピー損失と重み付きランダムサンプラーを適用しました。このアプローチにより、モデルのバランス精度とAUCが向上し、テストAUCは0.8715に達しました。このフレームワークは、他の医療予測タスクにも適用可能で、早期診断や病気管理の改善に寄与する可能性があります。
方 法：
この研究は、韓国の2つのコホート（KoGESおよびSNUH）を用いた転移学習フレームワークに基づいています。未対の臨床データと対の遺伝データを活用し、重み付きバイナリ交差エントロピー損失と重み付きランダムサンプラーを使用してクラス不均衡に対処しました。主要評価指標は、モデルのバランス精度とAUCです。
結 果：
転移学習フレームワークは、T2DMの予測性能を向上させ、テストAUCは0.8715に達しました。重み付きランダムサンプラーと重み付きバイナリ交差エントロピー損失を使用することで、モデルのバランス精度が向上しました。限られた対のマルチモーダルサンプルにもかかわらず、効果的にクラス不均衡を扱うことができました。
結 論：
提案した転移学習フレームワークは、2型糖尿病のリスク予測を改善し、早期診断や病気管理に寄与する可能性が示されました。このアプローチは、他の医療予測タスクにも適用できる柔軟性を持っています。