Cardiomyopathy Diagnosis Model from Endomyocardial Biopsy Specimens: Appropriate Feature Space and Class Boundary in Small Sample Size Data

要約

心不全の患者の数が増えると、機械学習（ML）は、病理学者の不足によって駆動される心筋症の診断に注目を集めています。
ただし、内筋筋膜生検標本は多くの場合、サンプルサイズが小さいことが多く、特徴抽出や寸法削減などの手法が必要です。
この研究の目的は、テクスチャ機能が心筋症の病理学的診断における特徴抽出に効果的であるかどうかを判断することです。
さらに、一般化パフォーマンスの改善に貢献するモデル設計は、いくつかのMLモデルに特徴選択（FS）と寸法圧縮（DC）を適用することにより調べられます。
得られた結果は、クラス間分布の違いを視覚化し、テクスチャ機能に基づいて統計的仮説検定を実施することにより検証されました。
さらに、FSとDCの組み合わせ（適用）および意思決定境界を備えたさまざまなモデル設計にわたる予測パフォーマンスを使用して評価されました。
得られた結果は、テクスチャの特徴が心筋症の病理学的診断に効果的である可能性があることを確認しました。
さらに、サンプルサイズの機能の比率が高い場合、FSとDCを含むマルチステッププロセスが一般化パフォーマンスを改善し、線形カーネルサポートベクターマシンが最良の結果を達成しました。
このプロセスは、決定境界が線形、湾曲、垂直、または軸に平行であるかどうかにかかわらず、複雑さを減らすモデルに潜在的に効果的であることが実証されました。
これらの発見は、医療行為における迅速な採用のための効果的な心筋症診断モデルの開発を促進することが期待されています。

要約(オリジナル)

As the number of patients with heart failure increases, machine learning (ML) has garnered attention in cardiomyopathy diagnosis, driven by the shortage of pathologists. However, endomyocardial biopsy specimens are often small sample size and require techniques such as feature extraction and dimensionality reduction. This study aims to determine whether texture features are effective for feature extraction in the pathological diagnosis of cardiomyopathy. Furthermore, model designs that contribute toward improving generalization performance are examined by applying feature selection (FS) and dimensional compression (DC) to several ML models. The obtained results were verified by visualizing the inter-class distribution differences and conducting statistical hypothesis testing based on texture features. Additionally, they were evaluated using predictive performance across different model designs with varying combinations of FS and DC (applied or not) and decision boundaries. The obtained results confirmed that texture features may be effective for the pathological diagnosis of cardiomyopathy. Moreover, when the ratio of features to the sample size is high, a multi-step process involving FS and DC improved the generalization performance, with the linear kernel support vector machine achieving the best results. This process was demonstrated to be potentially effective for models with reduced complexity, regardless of whether the decision boundaries were linear, curved, perpendicular, or parallel to the axes. These findings are expected to facilitate the development of an effective cardiomyopathy diagnostic model for its rapid adoption in medical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google