医療データの解釈可能な分類のための可搬型閾値ベースフレームワーク
本論文では、ベルヌーイ単純ベイズ（BNB）モデルを用いた統計的に基づくフレームワークを提案し、教師付きχ²二値化により連続変数を閾値に変換することで完全に解釈可能なルールベースの臨床分類を実現する。Pima Indians Diabetes、Wisconsin Breast Cancer、Heart Failure Predictionの3つのベンチマークデータセットでAUCスコア0.800、0.984、0.919を達成。確率較正はBrierスコアとベータ較正により改善され、モデル推論は参照表と基本算術のみで再現可能であり、医療AIの信頼性と一般化可能性を高める実用的アプローチを提供する。
医療分野における人工知能の導入は、ブラックボックスモデルの解釈可能性と再現性の欠如によって制限されています。この問題に対処するため、新しい研究では、ベルヌーイ単純ベイズ（BNB）モデルを用いた統計的に基づくフレームワークを提案し、完全に解釈可能なルールベースの臨床分類を実現します。この手法の核心は、教師付きχ²ガイド統計二値化です。これにより、連続変数から臨床結果との関連性を最大化する閾値を特定します。この変換により、BNBモデルはその本来の透明性を犠牲にすることなく、連続医療データを効果的に処理できます。研究チームは、Pima Indians Diabetes、Wisconsin Breast Cancer、Heart Failure Predictionの3つのベンチマークデータセットでこのフレームワークを評価し、それぞれAUCスコア0.800、0.984、0.919を達成しました。これらの結果は、このフレームワークの判別性能が複雑なモデルに劣らないことを示しています。さらに、識別性能に加えて、確率的信頼性を評価するために、リークセーフな交差検証較正分析（Brierスコア、較正切片/傾き、事後ベータ較正を含む）を実施し、データセット全体で確率較正を改善しました。これにより、統計的に解釈可能なフレームワークが、明確で臨床的に意味のある決定ルールと較正されたリスク推定値を提供できることが示されました。透明性を具体的に示すため、論文では完全な作業例を提供し、モデル推論がソフトウェアや専有ツールを使わずに参照表と基本算術のみで再現可能であることを実証しています。この研究は、実際の医療環境で信頼でき一般化可能なAIをサポートする実用的なアプローチを提供し、黒箱モデルの臨床展開における障壁を克服するのに役立ちます。