医療リスク予測における解釈可能なパイプライン最適化のための再現可能なログ駆動型AutoMLフレームワーク
本研究では、yvsoucom-iterkitを提案。これは、パイプライン最適化を追跡可能なログエンティティとしてエンコードし、コンポーネントの属性、相互作用、類似性、およびクロスシードのロバスト性の分析を可能にする決定論的ログ駆動型自動機械学習フレームワークである。Pimaインディアン糖尿病および脳卒中データセットでの18,000以上のパイプライン構成を用いた実験により、構造化され部分的に冗長な探索空間が明らかになり、性能は少数の相互作用するコンポーネントによって支配されている。ランダムフォレストの重要度分析では、Pimaでは増強（0.454）、モデル選択（0.198）、不均衡処理（0.101）が主要なドライバーであるのに対し、脳卒中では不均衡処理が支配的（0.406）である。コンポーネント類似性分析は強い冗長性を示している。アンサンブルモデルは強力な性能を達成するが、脳卒中ではクラス不均衡によりマクロF1が低い（0.67）。クロスシード分析は性能とロバスト性のトレードオフを明らかにし、効果的なAutoML最適化は影響の大きいコンポーネントの縮小セットに焦点を当てることができることを示している。
医療における疾患リスク予測の精度と再現性の向上は重要な課題ですが、特徴の不均一性、限られたサンプル数、深刻なクラス不均衡により困難が伴います。最近の研究では、yvsoucom-iterkitという決定論的ログ駆動型の自動機械学習（AutoML）フレームワークが提案されました。このフレームワークは、データパイプラインの最適化を完全に再現可能なログエンティティとしてエンコードし、コンポーネントの属性、相互作用、類似性、および異なる乱数シードに対するロバスト性の分析を可能にします。
研究者らは、Pimaインディアン糖尿病データセットと脳卒中データセットを用いて、18,000以上のパイプライン構成を評価しました。その結果、探索空間は構造化されているものの部分的な冗長性があり、性能は少数の相互作用するコンポーネントによって支配されていることがわかりました。ランダムフォレストの重要度分析により、Pimaデータセットではデータ増強（重要度0.454）、モデル選択（0.198）、不均衡処理（0.101）が主要な性能要因であるのに対し、脳卒中データセットでは不均衡処理が支配的（0.406）であることが示されました。
コンポーネントの類似性分析では、強い冗長性が確認されました。例えば、特徴選択のバリエーション間の平均二乗距離は0.0252と低く、mixup増強は増強なしとほぼ同じ（0.0279）、TomekLinksは不均衡処理なしと類似（0.0325）していました。一方、ガウスノイズは増強なしとの差がより大きい（0.10）ことがわかりました。
予測性能に関しては、アンサンブルモデルが安定して高い性能を示しました。Pimaデータセットでは加重F1が0.89、マクロF1が0.88、脳卒中データセットでは加重F1が0.94でしたが、マクロF1はクラス不均衡のため0.67にとどまりました。クロスシード分析では、アンサンブルモデルの性能変動が小さく（0.023～0.026）、サポートベクターマシン（SVM）よりもロバストであることが示されました。これは性能とロバスト性のトレードオフを示唆しており、効果的なAutoML最適化は影響の大きい少数のコンポーネントに焦点を当てるべきであることを示しています。
この研究は、医療リスク予測におけるAutoMLの実践に重要な洞察を提供し、ログ駆動型の再現可能なフレームワークが臨床モデルの信頼性と解釈性を向上させる可能性を強調しています。