効率的な医療診断のためのランダム化可能な説明可能機械学習モデル
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：Randomized Explainable Machine Learning Models for Efficient Medical Diagnosis
雑誌名：IEEE J Biomed Health Inform. 2025 Sep; 29(9): 6474-6481. doi: 10.1109/JBHI.2024.3491593.
概 要：
本研究は、医療診断におけるランダム化機械学習モデル、特に極限学習機（ELM）とランダムベクトル機能リンク（RVFL）ネットワークの応用を探求しています。これらのモデルは、トレーニングプロセスに確率性を導入することで計算の複雑さとトレーニング時間を削減しつつ、精度を維持します。また、説明可能AI技術であるLIMEとSHAPを統合し、ELMとRVFLの意思決定の根拠を説明します。泌尿生殖器癌と冠動脈疾患のデータセットでの性能評価により、RVFLは従来の深層学習モデルを上回り、泌尿生殖器癌で88.29%の精度と6.22秒の計算時間、冠動脈疾患で81.64%の精度と0.0308秒の計算時間を達成しました。この研究は、医療診断における効率性と透明性を向上させるランダム化モデルの可能性を示し、よりアクセスしやすく解釈可能なAIソリューションの必要性を提唱しています。
方 法：
本研究では、極限学習機（ELM）とランダムベクトル機能リンク（RVFL）ネットワークを用いたランダム化機械学習モデルを適用しました。これらのモデルは、トレーニングプロセスに確率性を導入し、計算の複雑さを軽減します。性能評価は、泌尿生殖器癌と冠動脈疾患のデータセットを用いて行い、精度と計算時間を比較しました。
結 果：
RVFLは、泌尿生殖器癌において88.29%の精度と6.22秒の計算時間を達成し、冠動脈疾患においては81.64%の精度と0.0308秒の計算時間を示しました。これにより、RVFLは従来の深層学習モデルよりも優れた性能を発揮しました。
結 論：
ランダム化モデルは、医療診断における効率性と透明性を向上させる可能性があり、より良い治療結果を促進することが期待されます。また、医療分野におけるアクセスしやすく解釈可能なAIソリューションの重要性が強調されました。