生成的敵対ネットワークとコルモゴロフ-アーノルドネットワークを用いた甲状腺疾患の三クラス分類
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：Thyroid disease classification using generative adversarial networks and Kolmogorov-Arnold network for three-class classification.
雑誌名：BMC Med Inform Decis Mak. 2025 Jul 31; 25(1): 284. doi: 10.1186/s12911-025-03014-7. Epub 2025 Jul 31.
概 要：
甲状腺疾患の分類は、甲状腺機能亢進症、甲状腺機能低下症、正常な甲状腺機能の正確な区別が求められる重要な医療診断の課題です。本研究では、データ拡張のための生成的敵対ネットワーク（GAN）と分類のためのコルモゴロフ-アーノルドネットワーク（KAN）を統合した高度な機械学習アプローチを提案します。様々な機械学習モデルを訓練・評価した結果、GANによるデータ拡張が特に少数クラスの分類精度を大幅に向上させることが示されました。KANモデルは98.68%の精度を達成し、ランダムフォレストのF1スコアは98.00%で、従来のニューラルネットワークよりも優れた性能を示しました。
方 法：
本研究では、データ拡張のためにGANを使用し、分類にはKANを用いた機械学習モデルを訓練しました。モデルにはロジスティック回帰、ランダムフォレスト、サポートベクターマシン、多層パーセプトロン、KANが含まれ、評価が行われました。SHAPおよびLIMEを用いてモデルの透明性と解釈可能性を確保しました。
結 果：
KANモデルは98.68%の精度を達成し、ランダムフォレストのF1スコアは98.00%でした。GANによるデータ拡張により、分類精度が大幅に向上し、特に少数クラスにおいて顕著な改善が見られました。SHAPとLIMEの結果から、甲状腺刺激ホルモンが分類において最も重要な特徴であることが示されました。
結 論：
本研究は、GANとKANを統合することで甲状腺疾患の分類精度を向上させ、医療におけるクラス不均衡の問題に対処する可能性を示しました。このアプローチは、臨床データが限られている状況でも実用的なフレームワークを提供し、医療従事者がより良い意思決定を行えるようにすることが期待されます。