An Interpretable AI Framework for Multiclass Classification of Thalassemia Using Combined CBC and HPLC Biomarkers

サラセミアは、世界中で、特に南アジア、東南アジア、地中海沿岸地域で多くの人々が罹患している遺伝性の血液疾患です。これは、赤血球に含まれる酸素を運ぶ物質であるヘモグロビンの構成タンパク質を、体が十分に生成できないことによって起こります。これらのタンパク質が不足すると、体は健康な赤血球を作るのに苦労し、貧血やその他の多くの健康上の合併症を引き起こします。何十年もの間、医師はこの病気を診断するために、顕微微鏡下での血液サンプルの観察や、存在するヘモグロビンの型を測定するための専用の機械を使用してきました。このプロセスは正確ではあるものの、費用がかかり、時間がかかり、結果を読み取る個々の医師のスキルに大きく依存しています。その結果、特にこの病気が最も多い地域において、大規模な集団を迅速にスクリーニングすることは困難となっています。

近年、科学者たちはこのプロセスを自動化するために、人工知能（AI）を活用することに目を向けています。そのアイデアは、熟練した医師が行うように、血液検査の結果に含まれるサラセミアを示すパターンをコンピュータに認識させることです。ただし、それは機械の持つスピードと一貫性を備えた形で行われます。しかし、このようなシステムを構築することは単純ではありません。血液検査は膨大な量のデータを生み出し、異なる種類の疾患のパターンはしばしば重複します。さらに、大規模なスクリーニングを行う集団においては、大多数は健康な人々であり、実際に疾患を持っているか、あるいは遺伝的特性（キャリア）を持つ人はごくわずかです。これはコンピュータプログラムにとって困難な状況を生み出します。なぜなら、プログラムは、ほとんどの場合に起こる「全員が健康である」という予測に頼ってしまい、稀なケースを無視してしまう傾向があるからです。

インドのSR大学とジョティシュマティ・テクノロジー・アンド・サイエンス研究所の研究チームは、これらの特定の問題を解決するための新しいフレームワークを開発しました。彼らは、2種類の異なる血液検査結果を同時に分析するように設計されたコンピュータシステムを作成しました。一つは、赤血球のサイズと数を測定する標準的な全血算（CBC）であり、もう一つは、特定のヘモグロビン分画を分離・測定する高速液体クロマトグラフィー（HPLC）と呼ばれるより詳細な検査です。これら2つの情報源を組み合わせることで、研究者たちは、疾患を検出できるだけでなく、「健康な人」、「遺伝的特性を持つ人（子供に遺伝させる可能性がある人）」、そして「活動的な重症型の疾患を持つ人」という3つの明確なグループを区別できるモデルを構築することを目指しました。

研究者たちは、13,000人以上の患者の記録を含む膨大なデータセットから開始しました。このコレクションには、9つの主要な血液マーカーの詳細な測定値に加え、年齢や性別などの人口統計学的情報が含まれていました。データは著しく偏っており、健康な個人が記録の90パーセント以上を占める一方で、重症の疾患ケースは0.5パーセントにも満たない程度でした。この不均衡に対処するため、チームはまずデータのクリーニングを行い、情報の記録ミスを修正し、年齢の記述を単純な数値に変換しました。次に、元の記録にある13種類の診断ラベルを、システムに必要な3つの広いカテゴリーに分類しました。極めて重要な点として、彼らはトレーニングデータ内で希少な疾患ケースの例を人工的に増やす手法を用い、コンピュータが一般的な健康なケースと同じくらい正確に、希少なケースを認識できるようにしました。

患者を分類する最善の方法を見つけるために、チームは4種類の高度な機械学習アルゴリズムをテストしました。最初の2つは決定木に基づいたもので、コンピュータが血液の値について一連の「はい」か「いいえ」の質問を繰り返して結論に達する手法です。3つ目は、表形式のデータ（テーブルデータ）に特化したディープラーニングモデルであり、数値間の複雑で非線形な関係を見つけ出そうとするものです。4つ目のアプローチは「スタッキング」アンサンブルであり、単一のアルゴリズムに頼るのではなく、他のモデルの予測を組み合わせて最終的な決定を下す手法です。研究者たちは、これらのモデルを厳格なテストプロセスに通しました。その際、コンピュータを学習させるために使用したデータと、テストに使用するデータが決して同一にならないようにしました。これは、システムが未知の患者に対しても機能することを証明するために必要なステップです。

結果は、組み合わせたアプローチが最も効果的であることを示しました。他のアルゴリズムの強みを集約したスタッキング・アンサンブル・モデルは、3つのグループを正しく識別する精度において99.89パーセントを達成しました。また、実際の疾患およびキャリアのケースを94.7パーセントの割合で特定することに成功しました。これは、診断を見逃すことが重大な結果を招きかねない医学において、極めて重要な指標です。他のモデルも良好な成績を収め、決定木ベースのモデルが僅差で続きましたが、組み合わせたモデルは一貫してそれらすべてを上回りました。研究者たちはまた、コンピュータがどのように意思決定を行っているかを理解するための手法も用いました。その結果、システムは5つの特定のバイオマーカー、すなわちHbA2と呼ばれるヘモグロビンのレベル、赤血球の平均サイズ、赤血球内のヘモグロビン量、総赤血球数、および胎児ヘモグロビンのレベルに最も強く依存していることを突き止めました。

これらの知見は、確立された医学的知識と完全に一致しているため、非常に重要です。医師たちは、HbA2のレベル上昇と赤血球の小型化がサラセミア・キャリアの特徴であることを古くから知っています。また、胎児ヘモグロビンの変化がより重篤な疾患の兆候となることも知られています。人工知能がこれらの要因を重要な要素として独立して特定したという事実は、システムが単に推測しているのではなく、疾患の生物学的なルールを実際に学習しているという確信を医師たちに与えます。また、本研究は、構造化された医療データを取り扱う場合、ディープラーニングモデルは強力ではあるものの、従来の決定木手法を凌駕するにはさらに大規模なデータセットを必要とする可能性があることも浮き彫りにしました。

研究者たちは、自分たちのシステムがすべての状況において完璧な解決策となるわけではないことも認めています。データはインドの一地域のものであり、疾患の遺伝的パターンは世界の他の地域では異なる可能性があります。さらに、システムは複雑であり、最も正確なモデルは単一の決定木よりも説明が困難です。しかし、本研究は、現実世界の「乱れた」医療データを扱うことができる、極めて精度の高い自動スクリーニングツールを構築することが可能であることを示しています。異なる種類の血液検査を組み合わせ、スマートなコンピュータ・アルゴリズムの組み合わせを用いることで、このフレームワークは、現在の手法よりも迅速かつ確実にキャリアや患者を特定できる、有望なパスを提供しています。