説明可能な人工知能を組み込んだアンサンブル機械学習による膵臓癌診断
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Incorporation of explainable artificial intelligence in ensemble machine learning-driven pancreatic cancer diagnosis
雑誌名：Sci Rep. 2025 Apr 23; 15(1): 14038.
概 要：
膵臓癌は依然として脅威であり、創造的な対策が求められています。本研究では、臨床的特徴に基づく膵臓癌の早期発見のために、6つの機械学習アルゴリズムとアンサンブル投票分類器を分析し、SHAP（Shapley Additive Explanations）を用いてその性能を解釈しました。590件の患者の尿サンプルを用いて、癌性と非癌性の膵臓ケースを分類するための6つの従来モデルを開発しました。アンサンブル投票分類器は、単独モデルの中で最も性能が良かったものから構築され、6つの新しいハイブリッドモデルが形成されました。アンサンブル投票分類器は、96.61%の精度と98.72%の適合率で全ての単独モデルを上回りました。
方 法：
本研究は、590件の患者の尿サンプルを用いたコホート研究です。6つの機械学習アルゴリズムを分析し、アンサンブル投票分類器を開発しました。SHAPを用いてモデルの解釈を行い、膵臓癌診断における影響力の高い特徴を特定しました。主要評価指標は、アンサンブル投票分類器の精度96.61%と適合率98.72%、およびハイブリッドモデルのAUC 99.05%です。
結 果：
アンサンブル投票分類器は、全ての単独モデルを上回る精度96.61%と適合率98.72%を達成しました。ハイブリッドモデルの中では、投票分類器とランダムフォレストのハイブリッドモデルが最も優れた性能を示し、AUCは99.05%（95%信頼区間：0.93-1.00）でした。SHAPによる解釈では、膵臓癌診断において最も影響力のある特徴が示されました。
結 論：
高精度かつ高適合率の迅速なモデルを用いることで、膵臓癌を含むさまざまな疾患の効果的な検出が可能であることが示されました。このアプローチは、臨床診断における機械学習の有用性を強調しています。