FSAE特徴工学とH2O AutoMLを用いた説明可能な子宮頸癌予測
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：Explainable AI based cervical cancer prediction using FSAE feature engineering and H2O AutoML
雑誌名：Sci Rep. 2025 Nov 18; 15(1): 40439. doi: 10.1038/s41598-025-23593-9. Epub 2025 Nov 18.
概 要：
子宮頸癌は主にヒトパピローマウイルス（HPV）感染によって引き起こされ、女性にとって重大な健康問題です。本研究では、早期かつ正確な予測が患者の転帰を改善し、医療資源の最適化に寄与することを目的としています。従来の診断法は高コストで複雑であるため、広範な使用が制限されています。本研究は、H2O AutoMLとオートエンコーダに基づく特徴抽出、フィッシャースコアに基づく特徴選択を統合したハイブリッド機械学習フレームワークを提案します。モデルの透明性を高めるために、LIMEとSHAPを用いて予測を解釈します。
方 法：
本研究は、探索的データ分析（EDA）とスタックオートエンコーダを用いた次元削減から始まり、フィッシャースコアによる予測特徴の選択を行います。選択された特徴セットを用いてH2O AutoMLで複数のモデルを訓練し、最も性能の良い深層学習モデルを選定しました。訓練データセットにおいて、選択されたモデルは95.24%の精度、98.10のAUC、0.1747のログ損失を達成しました。
結 果：
交差検証により、モデルの堅牢性が確認され、最適なF1スコアの閾値0.517での混同行列は、実際の陰性に対する誤差率が5.75%、実際の陽性に対する誤差率が2.59%であり、全体の誤差率は4.14%でした。LIMEとSHAPを用いてインスタンスレベルでの予測を解釈し、臨床医にとって有用な洞察を提供しました。
結 論：
本研究は、AutoMLと説明可能なAI、先進的な特徴工学を組み合わせることで、子宮頸癌リスクモデルの予測力と解釈性を向上させる効果を示しました。これは臨床意思決定支援のためのスケーラブルなソリューションを提供します。