SARS-COV-2の地域特異的急性後遺症の疫学研究のための転移学習アプローチの活用

Summary

提案された研究は、長期的な健康転帰の理解を深め、カスタマイズされた疫学的洞察をサポートするために、新しい転移学習技術を設計および実装することを目的としています。

Abstract

SARS-CoV-2 (PASC) の急性後遺症は、特に中高年や心血管疾患、がん、呼吸器疾患、糖尿病などの慢性的な健康状態を持つ人々にとって、深刻な結果をもたらす極度のリスク環境をもたらしています。身体障害には、重度で持続的な体の痛み、疲労、体の動きの困難などがあります。同様に、うつ病、気分のむら、絶望感、集中力の低下などの気分障害も、PASC の重要な予測因子です。主に中高年層の個人は、頻繁な入院、医学的に不安定な状態、場合によっては予期せぬ死亡など、身体的および精神的な影響の増加に直面しています。PASC をタイムリーに特定することは、関連する健康問題の重症度を軽減するために不可欠です。この研究では、さまざまな地域の患者データを統合し、データから洞察を抽出し、パーソナライズされた医療ソリューションを提供するための潜在転送モデルを推奨しています。この研究では、潜在的な転移学習モデルが、データの簡素化、一般化、パーソナライゼーション、洞察検出、変動性、スケーラビリティ、適応性を改善して公衆衛生の成果を改善する可能性を特徴としています。

Introduction

2019年のコロナウイルス病(COVID-19)は、中国の武漢で最初に確認されました。2019年^12月 31日、中国は世界保健機関(WHO)に^、中国湖北省武漢市で発見された病因不明の肺炎症疾患について報告した1。2019^年12 月31日から2020^年1 月3日までに、44人がこのウイルスに感染し、卸売市場「華南海鮮」との接触歴がありました。当初、患者は発熱、倦怠感、空咳を目撃しました。このウイルスの発生は2020^年1 月30日に発生し^、WHOによって国際的に懸念される公衆衛生上の緊急事態として発表されました1。2020年2月中旬までに、25か国以上が新型コロナウイルスの影響を受け、中国とその他の国でそれぞれ70,635人と794人の感染者が発生した。中国で1,772人の死亡者(1772年)とすべての国で3人の死亡が公式に宣言されました。2019^年12 月31日、肺炎感染例が大量に報告され、WHOは武漢で死亡者が報告されていないと報告しました。タイでは、2020^年1 月13日にバンコクで、武漢市を訪れた後、2020^年1 月8日に武漢市から帰国した61歳の中国人女性の最初の症例が発表されました。彼女は喉の痛み、咳、発熱、悪寒、頭痛の症状がありました。この人は2020^年1 月8日に熱監視でCOVID-19陽性と判定され、その日のうちにタイの警察官によって入院した。その人は病気から回復しました。ウイルスの遺伝子配列決定構造は中国政府によって共有され、より多くの国が患者を効率的に検査および診断できるようになりました²。

アメリカ合衆国では、2020^年1月19日にワシントンで、家族の集まりを終えて2020^年1月15日に武漢市から帰国した35歳の男性で最初の症例が報告されました。彼は2020^年1月15日から咳と発熱の症状があり、健康診断を受けるよう勧められました。コロナウイルス感染症-19感染者と接触したことはなかったが、武漢訪問中に中国での流行によりコロナウイルス感染症-19に感染した。彼は2020^年1月20日に新型コロナウイルス検査で陽性反応を示し、医療センターの空中隔離ユニットに隔離された。隔離病棟への入院後、彼は正常で、脈拍数は110 /分、血圧は134/87 mmHg、体温は37.2°C、呼吸数は16 bpm、酸素飽和度は正常で、肺聴診は正常でした。定期的な新型コロナウイルスのモニタリングと調査検査が実施され、咳、吐き気、嘔吐が^2日間続いたことが判明した3。入院2日目に腹部の不快感を訴え、翌日には胸部レントゲン写真に異常の証拠は見られなかった。しかし、5日目に胸部X線写真に肺炎の重大な証拠が見られ、酸素飽和度は90%に低下しました。彼は酸素療法を受けるよう勧められ、飽和度を改善するために酸素療法が補給された。8^日目に彼女の状態は改善し、彼女はクリニックを退院しました。インドでは、2020^年1月27日にケララ州で、中国でのCOVID-19の発生により武漢市から帰国した20歳の女性で最初の症例が報告されました。彼女は2020^年1月23日から2020^年1月26日まで無症状で、2020^年1月27日から喉の痛みと軽い咳を目撃しました。彼女はCOVID-19感染者と接触していませんでしたが、武漢から昆明への列車の旅中に、呼吸器系の問題、風邪、咳をしている数人の人々に気づきました。そのため、ケララ州政府当局は彼女に隔離された場所に留まり、今後数日以内に新型コロナウイルスの症状が現れた場合に医療機関を受診するよう指示した。総合病院への入院後、彼女は正常な肺聴診で脈拍数 82/分、血圧 130/80 mmHg、体温 98.5 °F、酸素飽和度 96% と正常でした。定期的な新型コロナウイルスのモニタリングと調査検査は、病気の日から3^日目、7^日目、20日目に実施されました。中咽頭スワブ検査は、発症日から23日間、初日と隔日で実施し、17日^目から陰性でした。彼女はすべての検査でクリアされ、2020^{年 2} 月 20 日に退院しました⁴.

英国では、2020^年1 月23日に、武漢市から訪問を終えて帰国した50歳の女性によって、COVID-19の最初の症例が報告されました。当初、彼女は無症状でしたが、2020^年1 月26日に発熱、脱力感、喉の痛み、空咳の症状を発症しました。総合病院への入院後、呼吸数18/分、血圧120/80mmHg、体温37.6°C、酸素飽和度97%と正常でした。定期的な新型コロナウイルスのモニタリングと調査検査が実施され、患者の状態は臨床的に安定している。最初の検査では、軽度のリンパ球減少症とC反応性タンパク質の増加が報告されました。入院^3日目 以降、すべての症状が消え、入院2日目から口腔咽頭スワブ検査でコロナ陰性であることが判明した。彼女は2週間隔離され、鼻と喉の綿棒検査は^陰性5でした。

コロナウイルス(CoV)は1960年代に発見され、次のように分類されました。オルトルナビラエは、リボ核酸(RNA)でできたゲノムを含み、RNA依存性RNAポリメラーゼ(RdRp)で翻訳するさまざまなウイルスの王国/領域と呼ばれています。RdRpは、ウイルスRNAゲノムをメッセンジャーRNA(mRNA)に転写し、ゲノムを複製します。オルトルナビラエに含まれるウイルスの特徴には、進化、遺伝子変異、組換え、および再分類^{が含まれます6。}RNAでできているゲノムには、正鎖RNAウイルス、陰極鎖RNAウイルス(-ssRNAウイルス)、二本鎖RNAウイルス(dsRNAウイルス)の3種類があります。ポジティブストランドRNAウイルス(+ssRNAウイルス)は、ポジティブセンスの一本鎖RNAを持つ関連ウイルスの集まりです。+ssRNAウイルスのゲノムは、宅配便RNA(mRNA)として使用でき、宿主細胞のリボソームによってウイルス関連タンパク質に直接形質転換されます。+ssRNAウイルスは、Pisuviricota、Kitrinoviricota、Lenarviricotaなどの門に関連しています。陽性鎖RNAウイルスには、ヘパシウイルスC、デング熱、エボラ出血熱、麻疹、狂犬病、インフルエンザ、重症急性呼吸器症候群CoV、中東呼吸器症候群コロナウイルスCoV、重症急性呼吸器症候群CoV⁷などのさまざまな病原体が含まれています。負鎖RNAウイルス(-ssRNAウイルス)は、負の意味の一本鎖RNAを持つ関連ウイルスの集まりです。-ssRNAウイルスのゲノムは、クーリエRNA(mRNA)と見なすことができ、RNA依存性RNAポリメラーゼ(RdRp)という名前の酵素によって産生されます。-ssRNAウイルスは、Negarnaviricota門を構成します。陰性鎖RNAウイルスには、門の2つの主要な枝、すなわちハプロビリコチナとポリプロビリコティナが含まれています。重要な脊椎動物のssRNAウイルスは、エボラ出血熱、ハンタ、インフルエンザ、ラッサ熱、狂犬病です。二本鎖RNAウイルス(dsRNAウイルス)は、二本鎖RNAゲノムを持つ多系統ウイルスの集まりです。dsRNAのゲノムは、ウイルスRNA依存性RNAポリメラーゼ(RdRp)によって+ssRNAを転写します。+ssRNAウイルスのゲノムは、宅配便RNA(mRNA)として使用でき、宿主細胞のリボソームによってウイルス関連タンパク質にオープンに形質転換されます。一方、-ssRNAウイルスのゲノムは、クーリエRNA(mRNA)として機能し、酵素RNA依存性RNAポリメラーゼ(RdRp)によって産生されます。dsRNAウイルスは、Duplornaviricota門とPisuviricota門に関連しています。二本鎖RNAウイルスには、ロタウイルス(幼児に影響を与える)とブルータンウイルス(牛や羊に影響を与える)^{が含まれます}8。

ピスビリコタは、すべての+ ssRNAウイルスとdsRNAを含むRNAウイルスの門と呼ばれます。その下位分類には、Duplopiviricetes、Pisoniviricetes、およびStelpaviricetesの3つのクラスが含まれています。ピソニウイルスは、真核生物に感染して汚染する+ssRNAウイルスの一種です。その下位分類には、ニドウイルス、ピコルナビラル、およびソベリビラーレスの3つのサブクラスが含まれています。ニドウイルスは、脊椎動物と無脊椎動物に感染して汚染するエンベロープの+ssRNAの順序^です9。これには、ウイルスの亜目、すなわち、アブニドウイルス科、コルニドビリン科、ナニドウイルス科、アルニドウイルス科、メスニドビリン科、トルニドビリン科が含まれています。 アビソウイルス科、コロナウイルス科、ナンホシャウイルス科、ナンハイポウイルス科、アルテリウイルス科、メディオニウイルス科、クレメガビリ科、メソニウイルス科、ユーロニウイルス科、グレスナウイルス科、ロニビリ科、トバニウイルス科、モノニビリ科、オリフォウイルス科など、さまざまな科がニドウイルス科で認識^{されています8。}コロナウイルス科は、哺乳類、両生類、鳥類に感染するエンベロープされた+ssRNAウイルスのファミリーです。その下位分類には、LetovirinaeとOrthocoronavirinaeの2つのサブファミリーが含まれています。オルソコロナビリナエのメンバーはコロナウイルスとして識別されます。コロナウイルスはコロナウイルス科の亜科であり、哺乳類や鳥類に感染症を引き起こすRNAウイルスに関連しています。哺乳類や鳥類では、これらのウイルスは、上気道スワブ感染症や下気道スワブ感染症などの軽度から重度の呼吸器スワブ感染症を引き起こします¹⁰。これらのウイルスは、ヒトや一部の哺乳類ではSARS、MERS、COVID-19、豚や牛では下痢、肝炎、脳脊髄炎を引き起こします。コロナウイルスは、オルトルナビラエ王国、ピスビリコタ門、ピソニウイルス科、ニドウイルス類の亜型、コロナウイルス科、およびオルソコロナビリナ科の亜科に属するエンベロープ+ssRNAです。コロナウイルスは、アルファコロナウイルス、ベータコロナウイルス、ガンマコロナウイルス、デルタコロナウイルス¹¹の4つの属に分類されます。この研究に基づいて、以下の仮説が形成されます。

重症急性呼吸器症候群コロナウイルス-2(SARS-CoV-2)のスパイク変異は、グリコシル化が極めて激しいです。これらのスパイク変異の生物学的影響を調べることは非常に重要です。複数の突然変異は、スパイクタンパク質配列の同じ位置に発生する可能性があります。スパイクタンパク質配列は、世界中で検出された広範囲の変異を推定する機会を提供し、 それらを表1に示します。考慮された変異は、ウイルスのヒトからヒトへの感染の結果でした。ワクチン接種は、SARS-CoV-2を強力に中和できる免疫反応を引き起こしました¹².科学的調査により、スパイクの変異を隠すSARS-CoV-2変異体の出現が発見されましたが、中心的な目的は依然として宿主抗体の中和でした。ワクチン接種後に一部のSARS-CoV-2変異株の中和が低下する兆候が進化している。ワクチンメーカーは、ワクチン構造の潜在的な更新のためにさまざまなプラットフォームを策定し、世界のウイルス集団における遺伝的および抗原的変異の調査が、突然変異の表現型の影響を明らかにするための実験で実施されました¹³。

国立バイオテクノロジー情報センター(NCBI)のウイルスデータベースには、アフリカ、アジア、ヨーロッパ、北米、南米、オセアニアの10333のヒトSARS-CoV-2スパイクタンパク質が含まれています。異なる地理的位置から調べたスパイクタンパク質のいくつかの変異の播種を上の表に示します。アルファ、ベータ、ガンマ、デルタコロナウイルスとその属、特徴、説明の詳細を上の表に示します。各属は、基本、変種、重要性、形状、測定、構造、膜融合、放出、汚染、合成などの特徴によって記述されます¹⁴。

表1に示すように、HCoV-229E、HCoV-OC43、HCoV-NL63、HCoV-HKU1などのウイルス株は軽度から中等度の病気の症状を観察したのに対し、SARS-CoV、MERS-CoV、SARS-CoV-2はヒトに重度の重篤な症状を観察した。ウイルス微生物は体内を通過し、宿主細胞に感染します。コロナウイルスのカテゴリーに応じて、宿主体のさまざまな部分の細胞に感染します。強くて健康な細胞に付着するとすぐに、細胞に入ります¹⁵.ウイルスが宿主細胞内に定着すると、ウイルスは整理整頓され、そのDNAとRNAが発せられ、核に向かって移動します。それらは断片状に移動し、その結果、ウイルスのさまざまな繁殖が起こります。これらのコピーは核から出て組み立てられ、DNAとRNAを保護するタンパク質を受け取ります。ウイルスのこれらの新しい繁殖は、以前に感染した病気の細胞を空けて、他の健康な宿主細胞を再び汚染して増殖させます。宿主の免疫系がコロナウイルスと戦うことに成功すれば、その人は病気になることはありません。そうしないと、不健康な合併症が発生する可能性があります。免疫系がコロナウイルスを制御できない場合、病因が生じます。これにより、ウイルスは体内に侵入し、さまざまな臓器に感染します。徴候や症状の重症度に応じて、個人は休息するか、医療援助を求めます¹⁶.コロナウイルスのライフサイクルとさまざまな株を図1に示します。

上の図は、コロナウイルスのライフサイクルと段階を詳細に示しています。(1)付着と入院、(2)融合とエンドサイトーシス、(3)タンパク質分解、(4)翻訳と切断、(5)複製、(6)エキソサイトーシス、(7)成熟したウイルス放出の7つの段階があります。付着および入院段階では、コロナウイルス微生物が宿主に侵入し、宿主耐性の偵察および介入戦略が目的です。宿主細胞に入るために、これらのウイルスはまず細胞の表面受容体に結合して結合し、次にエンドソームに入り、最終的に融合を開始します。その後、コロナウイルスはウイルス関連のリソソーム鞘と融合して宿主細胞に侵入します。ウイルス表面に固定されたスパイクタンパク質は、これらのウイルスの侵入を妨害します。エンドサイトーシスは、物質が宿主細胞に運ばれる細胞プロセスです¹⁷。採用される材料は、さまざまな細胞鞘で囲まれており、宿主細胞内で噴出して、摂取された物質を取り囲む小胞を生成します。エンドサイトーシスは、飲作用と食作用を含む。前者は細胞を飲むことであり、後者は細胞を食べることです。タンパク質分解は、ウイルス関連タンパク質をマイナーなポリペプチド/アミノ酸に項目化することです。構造化mRNA変換は、遺伝子コミュニケーションを抑制し、タンパク質の大量を迅速に発散させる転写後のプロセスです。それは、細胞増殖、細胞進行、シナプス可塑性、ストレスレトルト、生産的なウイルス発生などの豊富な生物学的手順で主要な役割を果たしています¹⁸。ウイルス翻訳手順は、扇動、伸長、溶解の3つの段階に分けることができます。

ウイルス複製は、感染した宿主細胞の汚染を通じて遺伝子ウイルスを生成するプロセスです。ウイルスの繁殖が起こるためには、まずウイルスが宿主細胞に侵入する必要があります。ウイルスゲノムを繰り返し複製し、これらのコピーをカプセル化することにより、ウイルスは生き残り、新しい宿主細胞に感染することによって拡散し続けます¹⁹。エキソサイトーシスは、ウイルス粒子を含む小胞が分泌され、感染した細胞から放出され、新しく形成されたウイルスが宿主体内に侵入し、追加の健康な細胞に感染できるようにするメカニズムです。SARS-CoV-2 (PASC) の急性後遺症は、主に肺に影響を与える症候群として認識されていますが、複数の臓器に影響を及ぼし、臓器損傷や臓器不全を引き起こす可能性があります²⁰。このような合併症は、死や長期的な健康上の問題につながる可能性があります。たとえば、心臓は心不全やその他の合併症のリスクを高める可能性があります。肺は肺炎後に長期的な呼吸困難を維持する可能性があります。脳は脳卒中、発作、またはギラン・バレー症候群の影響を受ける可能性があります。また、腎臓は敗血症性ショックを引き起こす可能性のある損傷を受ける可能性があります。肝障害は酵素の不均衡が原因で発生する可能性がありますが、横紋筋融解症は筋肉組織の破壊につながり、ミオグロビンが血流中に放出され、腎臓がミオグロビンをすばやくろ過できない場合、死に至る可能性があります。その他の合併症には、内出血や臓器不全を引き起こす異常な血栓の形成、連鎖球菌やブドウ球菌などの細菌による二次感染、凝固反応の機能不全による播種性血管内凝固、およびしばしばブレインフォグ、重度の疲労、めまい、または思考障害を伴う慢性疲労が含まれます。これらの課題に基づいて、次の仮説が提案されます。H1: 転移学習アルゴリズムを利用すると、疫学データを適用して地域固有の PASC を特定することで、モデルの予測精度と移転可能性を大幅に向上させることができます。H1a: 疫学データを使用して微調整されたディープラーニング モデルは、他のモデルよりも優れたパフォーマンスを発揮します。H1b: 領域固有の PASC 行列式と転移学習モデルを組み合わせることで、分類とクラスタリングの精度と効率が向上します。H1c: この組み合わせは、これまで明らかにされていなかった、または見落とされていた地域固有のパターンを明らかにすることもできます。H1d: 転移学習により、他のモデルと比較してトレーニング時間が短縮され、収束が高速化されます。

Protocol

この研究は、ヒトデータを含む研究の倫理ガイドラインに従って実施されました。この研究で使用されたすべての患者データは、アクセスと分析の前に完全に匿名化されました。個人を特定できる情報は使用されていません。研究プロトコルは、ヘルシンキ宣言に従って、治験審査委員会 (IRB) によって審査され、承認されました。該当する場合、データアクセス許可は、関連当局またはデータリポジトリから取得されました。この研究には匿名化されたデータの二次分析が含まれるため、IRB はインフォームド コンセントを放棄しました。提案された潜在転送モデルは、隠れたパターンを見つけてソースデータセットからターゲットデータセットに転送するように設計された機械学習ベースの半教師あり学習技術であり、PASC¹⁶の疫学的問題の分析に非常に適していることを保証します。新型コロナウイルス感染症後の状態は、多くの場合、さまざまな集団で多様な症状を呈し、一貫性がなく、データがまばらになります。提案された研究は、データセットから隠れた健康パターンを表すために改良された潜在表現を学習し、それらを新たなデータセットとして表現することにより、異なる領域にわたる多様な症状によるデータがまばらになる問題に対処します。この変換を実行するために、これらの潜在転送技術は、自動エンコーダーまたは変分エンコーダーを使用して、共通の潜在空間でソース データとターゲット データの両方を表します。そして、この共有スペースは、COVID後の症状のクラスターがさまざまな地域にわたって十分に保存されているため、得られた隠れたパターンを保護します²¹。プロトタイプは、ドメイン適応による汎化の改善により、さらに前進することができます。このアプローチを使用すると、このモデルはリスクのあるクラスターの認識と予測に役立ち、遠隔地での公衆衛生の監視をサポートできます。この作業は、完全にラベル付けされたデータへの依存を減らすことで学習も強化します。これにより、提案されたアプローチは、さまざまな集団に対する一般化されたアプローチにより、ギャップを分析するための強力なツールになります。

1. データソースと収集

この研究では、公開されているKaggleデータセット(心血管疾患データセット、がん予測データセット、早期糖尿病予測データセット、メンタルヘルス予測データセット)を使用しました。したがって、この提出物におけるIRBの承認は必要ありません。

画像データを含むデータセットについては、TensorFlowとOpenCVライブラリでPythonを使用して前処理を行いました。前処理ステップには、画像のサイズ変更 (224 × 224 ピクセルなど)、グレースケールまたは RGB 変換、ピクセル値の [0, 1] 範囲への正規化、およびモデルの一般化を強化し、オーバーフィッティングを減らすためのデータ拡張技術 (回転、反転、ズーム) が含まれていました。次に、画像配列は、さらなる処理とモデル入力のために NumPy 配列に変換されました。

特徴量の選択では、再帰的特徴消去 (RFE) は、Scikit-learn の RFE クラスを使用して実装され、通常はロジスティック回帰またはランダム フォレスト推定量と組み合わせて実装されました。選択される特徴の数はデータセットごとに異なりますが、一般的な構成は、再帰的スコアリングに基づいて次元を最も影響力のある上位10〜15個に減らすことでした。この方法により、計算の複雑さとモデルの過学習が軽減されながら、分類精度が向上しました。

この研究では、Kaggle から公開されている 4 つのデータセットを利用しました。心血管疾患データセット、乳がん予測データセット、早期糖尿病予測データセット、メンタルヘルス予測データセット。これらのデータセットはKaggleから直接ダウンロードされ、臨床および調査ベースの属性を含む構造化された表形式のデータで構成されています。データの前処理は、データ操作用のPandas、数値演算用のNumPy、データの前処理、特徴選択、モデリング用のScikit-learnなどの主要なライブラリを使用してPythonを使用して実行されました。欠損値は平均または最頻値戦略を使用して代入され、カテゴリ変数は One-Hot または Label Encoding を使用して エンコードされ、数値特徴は StandardScaler または MinMaxScaler を使用してスケーリングされました。不均衡なクラスには、imblearnパッケージのSMOTE(Synthetic Minority Oversampling Technique)が適用されました。再帰的特徴消去(RFE)は、ロジスティック回帰やランダムフォレストなどの推定器を備えたScikit-learnのRFEモジュールを使用して実装され、特徴の数は通常、ROC-AUCや精度などのモデルパフォーマンスメトリックに基づいて、最も影響力のある上位10〜15のものに削減されました。

2. モデルアーキテクチャ

この研究では、COVID-19画像データベースから入力画像をトレーニングするための潜在転送モデルと呼ばれるニューラルネットワークアルゴリズムの変種を提案しています。この研究は、ディープニューラルネットワークを構築する際の勾配消失問題を克服するのに有効です。さまざまな層構成でさまざまなニューラル ネットワーク バリアントが利用可能ですが、この研究は主に、ディープ ニューラル ネットワークのトレーニング プロセス中に残差学習技術を実装することに焦点を当てています。提案された潜在転送モデルは、7 x 7の畳み込み層フレームワークを備えたResNet-50の改良されたアルゴリズムと、平坦化された高密度の層状ネットワークを使用しています。これらの層は、パターンを抽出するために、PASC 患者の画像変換および領域ごとのマルチクラス分類に利用されます²²。この作業では、効率的なハイパーパラメータ、学習動作、最適化手順、およびバッチボリュームを利用して、サイズ 256 x 256 x 3 の入力画像を考慮します。提案された潜在転送モデルでは、12,946枚の画像のデータセットを考慮して、心血管疾患、がん、慢性呼吸器疾患、糖尿病、メンタルヘルスの問題を発症する積極的なリスクがある患者を分類します。データセットの詳細とハイパーパラメータをそれぞれ 表2 と 表3に示します。

再現性を確保するため、モデルの実装、前処理、評価のステップはすべて、Intel Core i7(第11世代)プロセッサ、16GB RAM、NVIDIA GeForce RTX 3060 GPUを搭載したWindows 11を実行しているシステム上で、Jupyter Notebook内のPythonを使用して制御された環境で実施されました(ただし、これらのデータセットにはGPUは必須ではありませんでした)。使用されるソフトウェアライブラリには、Pandas 1.5.3、NumPy 1.24、Scikit-learn 1.3.0、SMOTE用のImbalanced-learn 0.11.0、Matplotlib 3.7.1、および視覚化用のSeaborn 0.12.2が含まれます。前処理には、平均/最頻値代入 による 欠損値の処理、One-Hot または Label Encoding を使用したカテゴリ変数のエンコード、StandardScaler を使用した特徴のスケーリングが含まれていました。モデル開発では、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などの分類器を利用し、次元削減のための再帰的特徴消去(RFE)を使用しました。モデルは 5 倍の交差検証を使用して評価され、精度、精度、再現率、ROC-AUC スコアなどの指標を使用してパフォーマンスが測定され、一貫性と再現性のあるパイプラインが保証されました。

3. 前処理と特徴エンジニアリング

これらのデータセットから統計的に有意な特徴を取得するには、「再帰的特徴消去(RFE)を使用した特徴選択」という名前の前処理手法と「多層パーセプトロン(MLP)を使用した転移学習」という名前のモデリングパイプラインが使用されます。

4. トレーニングと検証

PASC 症状の分析と予測のために提案されたアプローチを評価するために、組織化されたトレーニングと検証アプローチが使用されました。最初に、階層的なトレーニングとテストの分割を適用して、トレーニング データとテスト データの比率が 80:20 のクラス ラベルの累積システムを取得しました。続いて、k = 5 の k 倍交差検証がトレーニング データに実装され、データのさまざまな分割にわたるモデルの堅牢性が評価されました。2つの隠れ層(64および32ニューロン)と300回の反復を備えたMLP分類器が適用されました。さらに特徴表現と転移学習技術が実装されました。

5. 評価指標

提案モデルのパフォーマンスを比較するために、テストデータに対して精度、F 測定、G 平均、MAPE、感度、および特異度が計算されました。結果は、提案されたモデルのパフォーマンスを他の最先端モデル、すなわちVGG-16 CNN、VGG-19 CNN、DenseNet-121 CNN、InceptionV3 CNN、ResNet-101 CNN、MobileNetV2 CNN、および提案された潜在転送モデルと比較するために、テストデータの評価指標、精度、F-測定、G-平均、MAPE、感度、および特異性の改善を示しています。上記のデータセットには、心血管、がん、慢性呼吸器、糖尿病、精神疾患関連データのトレーニング、検証、およびテストのサンプルが含まれています。

すべての実験は、Intel Core i7プロセッサ、16GB RAM、NVIDIA RTX 3060 GPUを搭載したシステム上で、Python 3.10を使用するWindows 11環境で実施されました。公開されているKaggleデータセットは、Pandas、NumPy、およびScikit-learnを使用して前処理され、欠損値の代入、エンコーディング、スケーリング、および再帰的特徴消去(RFE) による 特徴選択が行われました。ロジスティック回帰、ランダムフォレスト、SVMなどのモデルは、再現性とパフォーマンスの一貫性を確保するために、精度、精度、再現率、ROC-AUCなどの指標を使用した5倍のクロスバリデーションを使用してトレーニングおよび評価されました。

上の表は、ハイパーパラメータの詳細と、ハイパーパラメータを使用する手法またはアルゴリズムを示しています。学習率、早期停止手法、バッチサイズ、エポックサイズ、コールバック、損失関数、および効率を測定するためのメトリックが、Adamオプティマイザーアルゴリズムに与えられます。

Results

提案モデルは、VGG-16 CNN、VGG-19 CNN、DenseNet-121 CNN、InceptionV3 CNN、ResNet-101 CNN、MobileNetV2 CNNなどの既存の転送モデルと比較されます。パラメータの詳細と比較の結果を、 それぞれ表4、 表5、 および図2に示します。結果は、提案モデルを使用した他のモデル、すなわちVGG-16 CNN、VGG-19 CNN、DenseNet-121 CNN、InceptionV3 CNN、ResNet-101 CNN、およびMobileNetV2 CNNよりも評価指標が改善されたことを示しています。

この調査は、ResNet-50 用の TensorFlow 2.13、MLP 分類器と RFE 用の Scikit-learn 1.3.0、データ処理用の Pandas 1.5.3 などの主要なライブラリを備えた Python 3.10 を使用して実装されました。この環境は、GPU アクセラレ...

Discussion

この提案は、PASCの影響に対処するための潜在的な転移学習モデルの構築に重点を置いています。この構造は、特に中高年や、心血管疾患、がん、呼吸器疾患、糖尿病などの慢性疾患を患っている人々に、深刻な身体的および精神的健康上の問題を引き起こします。最終的な目標は、潜在転移モデルの助けを借りて、さまざまな集団からの多様な患者データを統合し、PASC の個別化されたケア、早期発見、効率的な治療を可能にすることです。この手法は、転移学習を使用して、複雑な臨床データ間のギャップを埋め、集団間での知識の伝達、患者のシナリオに合わせて調整し、医学的洞察を拡張します。最終的な目的は、最先端の機械学習を使用して長期にわたる新型コロナウイルス感染症(慢性)症状の深刻な影響を軽減することで、診断精度を向上させ、タイムリーな介入を促進し、公衆衛生に貢献することです²³。

提案された研究は、PASCなどの複雑なウイルス後の状態に対する新しい潜在学習モデルを生成し、科学のフロンティアを大幅に押し広げ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
クラウドコンピューティング環境(Google Colab / AWS EC2など)	グーグル/アマゾン	該当なし	GPUアクセラレーションによるディープラーニングモデルの学習に使用
疫学データセット (SARS-CoV-2 の急性後遺症、地域固有)	公衆衛生データリポジトリ(例:WHO、CDC、ICMR、地域病院)	該当なし	転移学習実験用データセット
Jupyter Notebook	プロジェクト Jupyter	オープンソース	コーディングとドキュメントのためのインタラクティブな環境
ケラス	オープンソース	TensorFlow との統合	ディープラーニングモデルを構築およびトレーニングするための高レベルのAPI
Matplotlib / シーボーン	オープンソース	該当なし	グラフや疫学的傾向分析に利用する可視化ライブラリ
ナンパイ	オープンソース	該当なし	数値計算ライブラリ
パンダ	オープンソース	該当なし	データ操作および分析ライブラリ
事前トレーニング済みのCNN/Transformerモデル(例:EfficientNet、BERTベースのモデル)	TensorFlow ハブ / HuggingFace	モデル固有	疫学予測のための転移学習や微調整に使用
Python (v3.8 以降)	Pythonソフトウェア財団	オープンソース	データの前処理、モデルのトレーニング、評価に使用されるプログラミング言語
Scikit-learn	オープンソース	該当なし	前処理、評価メトリック、ベースライン モデル用の機械学習ライブラリ
TensorFlow(v2.x)	ググる	オープンソース	転移学習とモデル展開に使用される深層学習フレームワーク