レビュー記事

輸血副作用の精密リスク評価のための機械学習アプローチ:Scikit学習ベースのレビュー

DOI：

10.3791/69658

⸱

2026年1月20日

 ,  , 
1Department of Transfusion, The Affiliated Hospital of Southwest Medical University, 2Department of Transfusion, Dazhou Central Hospital

* These authors contributed equally

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本レビューでは、scikit-learn機械学習ライブラリが輸血の副反応を予測する可能性を検討します。リスク評価の向上、従来の手法の限界への対応、精密輸血医療の開発を支援するためのデータ駆動型フレームワークを概説しています。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

輸血副作用(TAR)とは、輸血中またはその後に血液、血液製剤、または輸血関連物質の投与によって生じる望ましくない副作用を指します。これらの反応は、アレルギー反応、溶血、輸血関連急性肺損傷(TRALI)などの軽度から重度の臨床症状を引き起こすことがあります。現在の従来のアプローチ、例えばABO/Rh血液型マッチングや大規模な輸血プロトコルは患者の転後を改善することはできますが、複雑な患者特有の要因には対応していません。したがって、専用のTARリスクモデルの開発が不可欠です。機械学習(ML)アルゴリズムは、大規模な臨床および検査室のデータセットを活用して診断および予後モデルを構築し、個別化医療と精密医療の進展に寄与します。特筆すべきは、scikit-learn(SK-learn)MLアルゴリズムがまだTARリスク評価に直接適用されていないことです。それにもかかわらず、同様の医療リスク予測モデルを構築する上でその有効性は高い評価を得ています。本レビューは、多様な臨床文脈におけるSK-learnの役割に特に重点を置き、TARの予測と予防のためのMLベースの枠組みを提示します。本分析は、TARの将来の精密診断とSK-learnアルゴリズムの開発の基盤を築きます。重要なのは、文献の総合から、sklearnがこのタスクに対して多様で強力なツールキットを提供していることが示されていることです。しかし、臨床実践への成功する翻訳は、多施設間のデータ異質性や堅牢なモデル解釈可能性の必要性といった重要な課題を克服することに依存しています。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

輸血は、外傷ケア、外科手術、産科緊急事態、腫瘍治療、慢性血液疾患の管理など、さまざまな臨床的文脈で使用される命を救う介入です。治療的利益が大きいにもかかわらず、輸血はさまざまな有害事象を引き起こす可能性があり、これらは総称して輸血副反応(TAR)と呼ばれます3,4。TARは多因子性疾患であり、軽度のアレルギー反応から重篤な合併症まで多様に現れます。最も一般的な反応は、発熱性非溶血性輸血反応(FNHTRs)およびアレルギー反応であり、それぞれ輸血単位あたり約26件、21件の発生が報告されています。一方で、ABO/Rh血液型のマッチングや標準化された輸血手順はTARリスクを大幅に低減し、患者の安全性を高めることができます7,8,9。これらの事象を完全に防ぐことはできず、特に複雑または免疫介在性の病因を持つものは例外ではありません。

証拠は、人工知能(AI)のサブフィールドである機械学習が複雑でマルチモーダルなデータの統合を促進することを示唆しています。この能力は臨床意思決定を向上させ、個別化された治療を促進し、医療サービスを最適化することで、最終的に患者の転帰を改善する10,11。2007年に導入されたSK-learnは、オープンソースのPython機械学習ライブラリです。その中核機能には、機械学習アルゴリズムを用いた回帰解析、分類、クラスタリング、次元削減、モデル選択、前処理機能が含まれます。医療用途において、SK-learnは主に疾患予測、診断分類、臨床リスク層分けに用いられています13,14。例えば、ある研究ではSK-learnライブラリを活用し、糖尿病性腎症と非糖尿病性腎症を効果的に区別する予測モデルを構築し、臨床診断と治療を支援しました15。sklearnアルゴリズムの利点を活かし、輸血後の有害反応(TAR)リスク予測モデル構築におけるその有効性は高い評価を得ています(16,17)。

本レビューでは、SK-learn機械学習アルゴリズムの最新の進展を総合的にまとめ、多様な疾患文脈における翻訳応用を明確に示します。さらに、リスク層別TAR診断および予測モデルにおけるSK-learnの将来の臨床実装の枠組みも確立しています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

レビューと展望

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

TARの概要
TARの病因
TARは多様な臨床症状と病態生理学的メカニズムを含みます(表I)。これらの反応は主に免疫介在型と非免疫介質サブタイプ7,9,18,19に分類されます。免疫媒介反応は通常、抗原と抗体の相互作用を伴い、溶血や全身性炎症反応を引き起こします。代表的な例としてABO不適合症があり、急性溶血性輸血反応(AHTR)を引き起こすことがあります。この状態は発熱、脇腹部痛、高血圧、播散性血管内凝固(DIC)、急性腎不全として現れます。さらに、タイプI過敏反応はアレルギー輸血反応を引き起こす可能性があり、臨床症状は軽度の蕁麻疹から生命を脅かすアナフィラキシーまで様々です。特に、これらの反応は残留ドナー血漿タンパク質(サブポーレンアレルゲン分子18,21,22,23)の存在により、血小板産物にしばしば関連しています。TRALIは、輸血後6時間以内に低酸素血症および非心原性肺水腫が急性に発症することで臨床的に定義されます。病因は主にヒト白血球抗原(HLA)や顆粒球特異的抗原に対するドナー由来抗体21,22,24に関わる。特に、キッドシステム抗原のような特定の血液型抗原は、ドナー由来抗HLA抗体によって標的となると、遅延溶血性輸血反応(DHTRs)を引き起こすことがあります。別に、TRALIは輸血関連急性肺損傷の一種であり、好中球活性化機構を通じてドナー抗HLA抗体を介して媒介される独自の病理学的存在を示します6,22。非免疫介在輸血反応には、細菌汚染による敗血症反応、容量過負荷、機械的または熱溶血、輸血関連循環過負荷(TACO)など、複数の臨床的要因が含まれます9,23。敗血症輸血反応は、細菌に汚染された血液製品の輸液によって引き起こされます。特に血小板中のブドウ球菌属、黄色ブドウ球菌、大腸菌、赤血球中のエルシニア腸大腸炎などが一般的です。臨床的には、高熱、硬直、低血圧を呈し、急速にショックに進行することがあります。特に、高感度病原体スクリーニングの導入により、従来の輸血感染(TTIs、例:HIV、HCV)のリスクが大幅に減少しました。その結果、特に室温で保存された血小板輸血による敗血症反応は、TTIよりも輸血の感染症合併症として報告される頻度が高まっています。ウイルス、細菌、寄生虫など多様な病原体によって引き起こされる輸血感染は、自然免疫系を活性化することでTARを引き起こすことがあります。最近のシステマティックレビューは、免疫原性病原体の包括的なスクリーニングが感染関連TARの予防における主要な課題であることを示しています(表1)。

TARの疫学
先進国では、TARの全体的な発生率は比較的低いままです。現在の監視データによると、アレルギー反応および熱性溶血性輸血反応(FNHTRs)が最も頻繁に報告される有害事象の一つであり、多くの報告システムではアレルギー反応がFNHTRよりも一般的になっています。遅延血清学的輸血反応(DSTR)は報告頻度が低い5,9,29です。それにもかかわらず、TARは発展途上国や特定の集団において依然として重大な臨床的課題をもたらしており、このリスクプロファイルの上昇は、標準化されたスクリーニングプロトコルの変動、最適でない血液製品取り扱い手順、異質な輸血方法、集団特有の遺伝的素因など多因子的な決定要因に起因しています26,27.鎌状赤血球症の患者は特に溶血性輸血反応やアロイミニゼーションにかかりやすいです。このリスク上昇は、鎌状ヘモグロビン自体の存在ではなく、慢性的な炎症、主に白人ドナーとアフリカ系SCD患者群間の赤血球抗原の表現型の違い、そして生涯にわたる輸血曝露によるものと考えられています20,30。特に、主要な中国医療機関の最近の監視データでは、小児および新生児集団でアレルギー性TARの発生率が成人よりも高いことが明らかになりました。これは輸血閾値や臨床慣行の違いによるものです。逆に、ヨーロッパのコホートはこれらの年齢層で相反する疫学的パターンを示している 19,31,32。例えば、郭Kらは、中国の主要な国立センターの子どもたちが成人よりもアレルギー反応を頻繁に経験した一方で、新生児では輸血の閾値や実践がヨーロッパ各地で大きく異なると報告しています。33。

現在開発中のTARリスク評価モデルの臨床試験では、リスク層別予防策、継続的なリアルタイムモニタリングシステム、高リスク集団向けの個別管理プロトコルという3つの戦略的アプローチが採用されています。これらのリスクモデルは、輸血受容者に普遍的に適用可能な包括的なスクリーニングツールと、特定の有害反応サブタイプを特定するための専門的な予測アルゴリズムからなる二峰性分類システムを示しています(34,35)。英国のSerious Hazards of Transfusion(SHOT)システムに代表される一般化リスク評価ツールは、人口レベルのデータセットを活用して輸血受血者の階層化を行います。これらのシステムは、複数回の輸血歴や自己免疫疾患の既往を持つ患者を含む高リスクコホートの特定において特に有効性を示しています36。従来の輸血リスク・臨床知識(TRACK)スコア手法は、あらかじめ決められたカットオフ値を持つ静的なパフォーマンス指標を用いて、あらかじめ定められた意思決定範囲内でのモデルパフォーマンスを定量化します。このアプローチは、制約された運用パラメータ37の下でモデルの予測能力を特徴付けます。最近の進歩により、輸血予測のための新しいリスク階層化ツールが登場しました。新たに開発されたSCOREシステムは、輸血の確率を推定するために臨床的に検証された6つの予測因子を取り入れています。比較解析により、この簡略モデルは心臓外科手術における輸血要件の予測において、従来のTRACKスコアと同等の予測精度および校正性能を達成することが示されています。

特定の反応モデルに加え、多くの生体内モデルも最近研究されています。TRALIは臨床的に有意な合併症であり、そのリスクプロファイルはドナー由来の抗ヒト白血球/好中球抗原(抗HLA/HNA)抗体、上昇した受容者炎症バイオマーカー(インターロイキン6を含む)、および投与された輸血量34、39、40の相互作用によって決定されます。輸血関連循環過負荷(TACO)リスクは、B型ナトリ利尿ペプチド(BNPまたはNT-proBNP)レベルの上昇、心機能障害の既往歴、高い輸血率、陽性の体液バランスなどのパラメータを含む臨床スコアリングシステムを用いて評価されることが多いです。免疫介在性溶血のリスクは、間接抗グロブリン検査(間接クームズ検査)による抗体スクリーニングによって事前に評価されます。この検査は、受血者の血漿中に臨床的に有意な異体抗体を検出します。これらの抗体を特定することで、輸血用の抗原陰性血液ユニットの選択が可能となり、溶血を引き起こす抗原抗体反応を防ぐことができます。患者の輸血歴も、過去の感作や遅れて溶血反応のリスクを特定する上で重要です。これらの機構モデルは多次元臨床および検査パラメータを統合し、副作用予測の精度を高めるために34,39,41。さらに、重度出血の外傷患者や手術患者における出血性ショックに関連する死亡率を減らすために、赤血球、血漿、血小板の比率を標準化するために大量輸血プロトコル(MTP)が作成されています42,43。しかし、これらの実践は輸血に関連する罹患率を下げており、輸血の安全性を定義する免疫学的・非免疫的変数の複雑な相互作用を完全には捉えきれていません。多くの既存のスコアリングシステムやプロトコルは、管理された条件下やより狭い患者層で検証されており、実際の異質な環境では最適とは言えません(16,44,45,46)。病原体プロファイルの変化、ドナー集団の変化、現代医療の複雑さが静的なアプローチにさらなる挑戦を加えています。この背景は、臨床データ、実験室の成果、マルチオミクスなどの新興分野を組み合わせて、より強力な予測モデルを作成することで、輸送リスク評価を洗練させるために機械学習を活用することへの関心を高めています(図1)48,49,50。

機械学習を使った現在の臨床リスク評価モデル構築
機械学習(ML)は基礎的な人工知能パラダイムとして、潜在データパターンの自動発見と予測モデルの帰納的生成を通じて適応的意思決定を促進し、明示的な手続き型プログラミングを回避し、医療診断や予測を含む複雑で進化する分野での継続的な性能向上を可能にします51.機械学習の進化は三つの明確な段階を経てきました。(1) 理論的基盤を築いた基礎時代52;(2) サポートベクターマシンやアンサンブル手法の大きな進歩によって特徴づけられるアルゴリズムのルネサンス53;(3) GPU加速とビッグデータに支えられた畳み込みおよびリカレントニューラルネットワークが、複数の分野で変革的なパラダイムシフトをもたらした深層学習革命(54)。医療用途においては、医療画像診断やバイオマーカー検出に革命をもたらしました55。

現在の機械学習システムは、学習メカニズムに基づいて3つのコアパラダイムに分類されています:(1) 予測モデリングのためにラベル付きトレーニングセットに依存する教師あり学習;(2) 注釈なしデータから潜在的な構造を明らかにする教師なし学習;(3) 階層的ニューラルアーキテクチャを活用して自動的な特徴抽象化を行うディープラーニング。これらのパラダイムは、現代のAIアプリケーションを支える基礎的な手法論を構成しています。

近年、MLは医療診断マーカーの開発、予後評価、リスクモデル構築に広く応用されています。医療データはしばしば高次元性を示すため、従来の手法による効果的な解析には大きな課題が生じます14,59。機械学習技術は、このような複雑なデータセットから重要な特徴を抽出するのに優れており、それによって重要な特徴の特定を容易にします。輸血医学における機械学習の応用は急速に進んでいます。例えば、MLモデルは医療画像分類や病理解析などの課題で優れた性能を示し、早期診断や予後層化の精度を大幅に向上させています。ゲノムやメタボロミクスプロファイルなどの患者特有データを活用することで、機械学習は個別化治療反応を予測し、精密医療の分野を前進させます。輸血の必要性を予測するだけでなく、MLは血液製品管理の最適化にも応用されています。研究では、血小板使用量の予測や術前血液検査スケジュールの個別化など、MLが活用されており、在庫管理の改善や無駄の削減に寄与する可能性が示されています。

さらに、画像診断、ゲノミクス、電子カルテ(EHR)などのマルチソースデータを統合し、包括的な予測モデルを構築することを可能にします。さらに、MLはICU患者の敗血症予測などのリアルタイムリスクアラートをサポートし、診断ワークフローの自動化により医療従事者の負担を軽減しています。MLはマルチオミクスデータの統合、複雑なパターンのマイニング、薬剤設計の加速により、がん予後モデルやターゲット開発の精度を大幅に向上させました。さらに、機械学習はがんの有無を示す既知および未知のパターンを特定することで診断精度を高めます65。シミュレーション研究では、放射線科医が予測される陰性症例をスキップし、マンモグラムの80.7%を読み取る作業量を減らしつつ、全体的な感度と特異度を維持できることが示されました。CNNモデルは乳房超音波画像から機能組織を分割するために用いられ、臨床医がこれらの画像の解釈と診断を助けることが示されています66。予後や治療の選択は腫瘍の特徴に大きく依存しており、その多くは画像ベースの機械学習モデルによって予測可能です。一部の研究者は3D CNNを用いて、CTスキャンで手動選択された関心領域(ROI)から肺腺癌のEGFR変異状態を予測し、がんジェノタイピングの非侵襲的代替手段を提供し、治療戦略の形成に役立てています。単一細胞トランスクリプトミクスや空間トランスクリプトミクスなどの新興ゲノム技術は、固形腫瘍の組織病理学的特徴付けを革新する大きな可能性を秘めています。特に、単一細胞トランスクリプトミクスは細胞組成の詳細な解析を可能にし、機械学習モデルががん治療反応や潜在的な薬剤耐性メカニズムを予測できるようにします68。

ディープラーニング(DL)はMLのサブフィールドとして、脳の神経アーキテクチャに触発された多層ニューラルネットワークアルゴリズムを活用し、予測モデリングを行います69.ニューラルネットワークアーキテクチャを活用するロジスティック回帰のようなML手法とは異なり、DLはデータ量と次元の増加に伴いモデルを指数関数的にスケールさせることを可能にします69.DLは医療応用に広く応用されています。近年、がんの診断、予後、治療法の特定に新たなディープラーニング技術が広く採用されています。多層知覚器(MLP)、リカレントニューラルネットワーク(RNN)、畳み込みニューラルネットワーク(CNN)など、さまざまなニューラルネットワークアーキテクチャが高度な手法の基礎となる構成要素として機能します69.研究では、画像レベルだけでなくピクセル単位でもがんリスクを予測できるCNNモデルが導入されており、悪性腫瘍を発症しやすい領域を強調するヒートマップを提供しています70.深層CNNを組織学に基づくがんグレーディングシステムに統合することは成功しており、これらのモデルは前立腺がん、乳がん、大腸がん、リンパ腫のグレーディングにおいてヒト病理医と同等のパフォーマンスを達成できることが研究で示されています71,72,73,74,75.研究者たちは、CNNベースのジェネレーターを用いたがん組織のセグメント化が、CNNベースの分類器による前立腺がんグレードの予測を支援することを示しました76.一部の研究者は、ハイブリッドグラフ畳み込みニューラルネットワーク(GCNN)モデルを用いて遺伝子発現プロファイルをSTRINGタンパク質間相互作用(PPI)ネットワークにマッピングし、乳がん分子サブタイプの予測を可能にしています69,77.機械学習は、特に診断モデリングにおいて、非がん性疾患にも大きな応用可能性を示しています。例えば、COVID-19患者の死亡率や重大事象を様々な期間にわたって予測するために、機械学習モデルの外部および前向きトレーニングと検証が行われてきました。これらのモデルは高リスク患者を特定し、予測アウトカムに寄与する根本的な関係性を明らかにしました78.従来のラジオマイクモデルは主に、医療画像から明示的に導き出された手動設計の特徴に依存しています。研究者たちは、転移学習によって抽出された深層特徴を、膠芽腫多形性(GBM)患者の総合生存期間(OS)を予測するための放射学シグネチャーを生成するために利用できるかどうかを探求しています79.近年、機械学習は微生物学において大きな進歩を示しています80.この分野の重要な応用例として、医療従事者が患者の感染症の原因となる微生物を迅速かつ正確に診断できるようにすることがあり、適切な治療戦略を決定する上で極めて重要です。適切な入力データがあれば、MLモデルは正確な診断を実現できます80.事前学習済み畳み込みニューラルネットワーク(CNN)を特徴抽出器として用い、患者レベルのクロスバリデーションを組み合わせることで、マラリア感染細胞と未感染細胞を効果的に区別し、疾患スクリーニングプロセスの向上が示されています81.英国の1,839菌分離株を基にした機械学習モデルが、耐性プロファイルを分類するために開発されました。 Mycobacterium tuberculosis (M. tuberculosis)から8種類の抗結核薬(イソニアジド、リファンピシン、エタンブトール、ピラジアミド、シプロフロキサシン、モキシフロキサシン、オフロキサシン、ストレプトマイシン)に至るまで、多剤耐性結核を含む。従来の手法と比較して、最も性能を上げたモデルはイソニアジド、リファンピシン、エタンブートールの感度を2〜4%向上させ、感度は97%(P)に達しました < 0.01). The sensitivity for ciprofloxacin and multidrug-resistant tuberculosis increased to 96%. For moxifloxacin and ofloxacin, the sensitivity increased from 83% and 81%, respectively, based on known resistance alleles, to 95% and 96% (P < 0.01), representing improvements of 12% and 15%, respectively. Notably, compared with rule-based approaches, the model enhanced the sensitivity for pyrazinamide and streptomycin by 15% and 24%, respectively, reaching 84% and 87% (P < 0.01). The top-performing model also increased the area under the ROC curve for pyrazinamide and streptomycin by 10% (P < 0.01) and for other drugs by 4-8% (P < 0.01).

例えば、DLモデルは一般的にマンモグラフィー画像を解析し、将来的に患者ががんを発症する可能性を予測するために訓練されています。さらに、一部の研究者はこの直接リスク予測法の利点を強調しており、Inception-ResNet-v2畳み込みニューラルネットワークモデルによって生成される乳がんリスクスコアは、臨床乳房密度評価から導出されたスコアよりも正確であると指摘されています。同様に、一部の研究者は、患者の年齢などの臨床的特徴に依存するタイラー・クジックリスクモデルを上回る、DLベースのマンモグラフィーモデルを開発し、女性の乳がん発症5年リスクを予測しています(84)。

さらに、機械学習は輸血医療にも応用されています。輸血医療へのAI応用への関心の高まりは、国際輸血学会(ISBT)臨床輸血作業部会が主催する専門会議など、主要な専門フォーラムにAIが取り上げられていることからも強調されています。この会議では、TM実践、教育、研究におけるAIの可能性を探求しています。輸血(BT)はICUの外科患者にとって重要な医療要素です。本研究はUMCデータベース内の9,118人の外科ICU患者からデータを分析し、機械学習を用いて輸血の必要性を予測しました。ICU入院6時間前から入院後1、2、3、6時間までのデータを用いてXGBoostおよびロジスティック回帰(LR)アルゴリズムの性能を比較した結果、輸血群と非輸血群の間で患者特性に有意な違いがあることが明らかになりました。これらの発見は、外科ICU患者の輸血必要性を予測する機械学習の実現可能性を裏付けています86。股関節手術では同種輸血が頻繁に必要ですが、罹患リスクの増加と関連しています。輸血の必要性を正確に予測することは、血液製品廃棄物の最小化と術前意思決定の最適化に不可欠です。最近の研究では、輸血リスクを予測するための14の機械学習アルゴリズムが確立されており、患者人口統計データ、術前検査結果、手術情報を取り入れています。モデルの性能は識別、校正、意思決定曲線解析を用いて評価されました。SHapley加法説明(SHAP)を用いてモデルを解釈し、リッジ分類器が最も高い予測精度を示し、AUCは0.85(95%信頼区間:0.81-0.88)、Brierスコアは0.21でした。本研究の機械学習モデルは、利用可能な臨床変数を活用し、股関節手術における周術期輸血の必要性に対して高い予測性能を示しました。

さらに、機械学習は薬物設計にうまく統合されており、時間や計算コストなどの課題に対処しつつ信頼性を向上させています88,89。タンパク質の三次元リガンド結合環境を活用することで、機械学習は標的タンパク質構造の決定を促進し、創薬90における重要なステップとなります。例えば、AI駆動のツールであるAlphaFoldは、Protein Data Bank(PDB)データ上で直接学習でき、アミノ酸配列91からタンパク質の3D構造を予測することが可能です。AlphaFoldは2段階のプロセスを用いています。まず、CNNがタンパク質のアミノ酸配列を距離とねじれ角の行列に変換します。次に、勾配最適化技術によりこれらの行列がタンパク質の3次元構造に変換されます。

Scikit-learn(sklearn)は、使いやすさ、充実したドキュメント、そして堅牢なコミュニティサポートで広く評価されているPythonベースの機械学習ライブラリです。ロジスティック回帰、サポートベクターマシン、ランダムフォレストなどの教師あり手法に加え、クラスタリングや次元削減を含む教師なし手法(93)も包括的に提供しています。また、データ前処理、モデルトレーニング、クロスバリデーション、ハイパーパラメータチューニングを統合フレームワーク93で効率化するパイプラインも提供しています。モデル解釈可能性のためのツール、例えば置換特徴重要度や部分依存プロット、さらにランダムフォレストや勾配ブースティングなどの高度なアンサンブル手法は、医療の文脈で一貫して堅牢な予測性能を示します(45,93)。

これらの特徴を踏まえ、SK-learnは疾患診断12,94、生存時間予測95、大規模画像データセットの解析96、輸血利用リスク予測モデル構築97などの医療研究で広く活用されています。このセクションでは、具体的な応用ケースと技術的実装を詳細に検討し、疾病診断およびリスク評価モデルの構築におけるSK-learnの利点を示します(図2)。特にがん領域に焦点を当て、その応用が最も広範かつ成熟している分野に注目し、成功した実践を分析し、既存の課題に対処します 12,93,95,98。さらに、これらの知見がTARリスク予測モデルの開発における貴重な参考資料やインスピレーションとしてどのように活用できるかを探ります。

SK-learnは、サポートベクターマシン(SVM)、ランダムフォレスト、ロジスティック回帰などの従来の機械学習手法と、多層パーセプトロン(MLP)分類器などの深層学習手法を統合した堅牢なアルゴリズムフレームワークを提供し、多様ながんデータセットのモデリングに適しています。例えば、副腎皮質がんの診断のための新しい組織学的システムの開発において、研究者たちはPythonのsklearnライブラリを活用して多次元数学モデルを構築しました。このモデルは全体の診断精度100%を達成し、すべての形態的変異に広く適用可能であることを示しました99。

さらに、SK-learn、GridSearchCV、RandomizedSearchCVツールにより、自動的なハイパーパラメータ最適化が可能になります。例えば、リンパ節転移を予測する際には、XGBoostモデルのパラメータが交差検証によって微調整され、AUC値は0.95212となりました。例えば、サポートベクターマシン(SVM)は乳がん分類タスクにおいて優れた性能を示します。その非線形カーネル関数により、高次元イメージングデータの効果的な処理が可能です。口腔がん患者のスペクトルデータを分析した研究では、SVMを再帰的特徴除去(RFE)と組み合わせた場合、感度95%、特異度96%を達成し、従来のフィッシャー線形判別解析(FLD)を有意に上回ることが示されました100。さらに、UCI乳がんデータセットでの比較解析では、SVMが分類精度および一般化能力の面でK-meansクラスタリングおよび人工ニューラルネットワークを上回る性能を示しました。SVMが高次元データを扱う能力は、多数の臨床および実験室パラメータを統合しなければならないTAR予測にも同様に重要です。

ランダムフォレスト法は特徴重要度解析において優れた性能を示します。一部の研究者はランダムフォレストを活用してゲノムデータや臨床データを統合し、乳がん予後に関連する主要な特徴を特定しています。クラスタリング結果は臨床アウトカムと有意相関していました102。このアプローチは、多様な候補特徴から特定のドナー抗体や受容者の炎症マーカーなど、最も影響を与えるリスク因子を特定するために直接TARモデリングに応用できます。

XGBoostは、代表的な勾配ブースティングアルゴリズムとして、がん病期予測において卓越した性能を示しています。TCGAのマルチオミクスデータに基づく研究では、XGBoostがDNAメチル化特徴と組み合わせることで、分類モデル103の予測性能をさらに向上させることが示されました。乳がん転移に関する別の研究では、XGBoostがグリッドサーチCVを通じてハイパーパラメータを最適化し、SHAP値可視化と組み合わせました。SQSTM1やGDF9など6つの主要な遺伝子が成功裏に同定されました。モデルのAUCは0.82に達し、転移リスク予測のための新たなバイオマーカーを提供しました。XGBoostのような高性能アンサンブル手法とSHAP説明の組み合わせは、TARモデルに採用可能な強力なパラダイムであり、臨床医に透明で実行可能なリスク評価を提供します。

SK-learnは、がんデータの高次元性、不均衡、欠損値に効果的に対応する標準化されたデータ前処理ツールキットを提供します。例えば、大腸がんの予測においては、CEAやヘモグロビンなどの4つの主要指標をスクリーニングするロジスティック回帰モデルを用いて、曲線下面積(AUC)が0.849で、単一の腫瘍マーカー105による検出を有意に上回る非侵襲的診断モデルを構築しました。不均衡データ処理に関しては、不均衡学習ライブラリのSMOTEオーバーサンプリング技術を組み合わせることで、XGBoostは乳がん分類における少数派(悪性サンプル)の感度を8.36%向上させ、F1値は96.2%に達しました。

SK-learnとSHAPやeli5などのツールを組み合わせることで、がんモデルに透明な解釈性が提供されます。乳がんにおけるセンチネルリンパ節転移の予測において、SHAP値を通じて可視化されたXGBoostモデルは、「疑わしいリンパ節」や「縁端のスパイキュレーション」といった超音波の特徴が転移リスクに最も大きく寄与していることを示しており、これは臨床診断論理12と非常に一致しています。

SK-learnは、非がん性疾患に関連する研究において大きな優位性を示しています。非がん性疾患では、電子カルテ(EHR)、画像診断、ゲノミクス、プロテオミクスなど、多元データの統合が頻繁に必要となります。SK-learnは、患者の電子記録(EHR)、遺伝的プロファイル、生活習慣情報を統合し、関連疾患のリスクをより高精度に予測することが可能です。例えば、SK-learnのランダムフォレストアルゴリズムを用いてEHRデータを統合し、心血管疾患リスクを予測しました。このアプローチは心血管リスク予測の精度を大幅に向上させただけでなく、予防的介入の恩恵を受けられる患者数を増やし、他者への不必要な治療を最小限に抑えました(107)。研究者たちはPythonのSK-learn機械学習ライブラリを活用し、関節鏡的回帰修復(ARCR)後の回旋筋腱板再断裂予測のために、ロジスティック回帰、ランダムフォレスト、AdaBoost、CATBoost、LightGBMの5つの異なるAIモデルを開発し訓練しています。訓練されたモデルはその後、評価のためにテストデータセットに適用されました。特にLightGBMモデルはAUC0.87を達成し、ARCR108後の再断裂の可能性推定において優れた予測性能を示しました。

sklearnは医療予測の分野で広く利用されていますが、現時点では輸血不良反応の予測に直接的な応用に関する文献はありません。このギャップは技術的な欠陥を示すものではなく、輸血不良を予測する際の独自の課題と未開拓の可能性を浮き彫りにしています。

輸血による有害反応リスクを評価する従来の方法は、主に静的な臨床指標、病歴の回顧分析、標準化されたスクリーニング質問票に依存しており、これらは複数の制限を含んでいます。TARイベントは非常に稀です。一般成人集団における輸血反応の発生率は約2%であり、極めてバランスの取れたカテゴリー112となっています。この不均衡により、標準分類器は少数派クラスよりも多数派の正確さを優先します。この問題に対処するため、SMOTE+ENNのようなsklearn不均衡学習モジュールがデータセットのリバランスの確立された解決策を提供しています。輸血後の有害反応の発生には多くの要因が寄与しています113。SK-learnは収集データの効果的な前処理を可能にし、その後の分析を容易にします。異種前処理のためのカラムトランスフォーマーの使用とマルチモーダルの特徴融合のための特徴統合により、構造化データのシームレスな統合が可能になります114,115。臨床意思決定において、モデルの透明性は極めて重要です。SHAP/LIMEはランダムフォレスト用のTreeExplainerを含むsklearnモデルと互換性があり、規制遵守を確保しつつ予測性能116,117を維持しています。

sklearnの機能をTAR予測のための具体的な戦略に翻訳するため、確立された機械学習ロードマップ(図3)に沿った実践的なモデリングパイプラインを提案します。このフレームワークは、データの異質性や極端な階級格差など、TAR特有の課題に対応するために設計されています。

輸血の有害反応に対する堅牢な予測モデルの開発には、エンドツーエンドの分析パイプラインが必要です。このプロセスは、患者の人口統計、バイタルサイン、検査数値、輸血の詳細、ドナーの特徴を含むマルチモーダル臨床データの統合と前処理から始まります。異種データ型は、sklearnのColumnTransformerを用いてパイプライン内で効率的に統合され、適切なスケーリングとエンコーディングを適用することで、分析のための統一データセットが作成されます。重要な次のステップは、稀なTARイベントに内在する深刻な階級不均衡に対処することです。厳密に裁定された結果によって定義されたターゲットラベルは、互換性のある不均衡学習ライブラリのSMOTE-ENNなどの手法を用いてモデルバイアスを防ぐために再バランスできます。データ準備後、sklearnの一貫したAPIを使って複数のアルゴリズムを訓練・評価し、GridSearchCVを通じてハイパーパラメータの調整とキャリブレーションを行い、性能最適化と信頼性の高い確率推定を保証します。臨床的信頼を育み、メカニズム的な洞察を提供するために、モデルの予測はSHAPのようなツールを用いて解釈され、個人のリスクスコアに対する特定の特徴の寄与を定量化できます。モデルの一般化可能性は、異なる患者コホートのデータに対するネストされたクロスバリデーションなどの堅牢な手法を用いて厳密に検証されます。最後に、臨床翻訳の可能性として、訓練された全パイプラインをシリアル化し電子カルテシステムに統合し、リアルタイムの意思決定支援ツールとして臨床医に解釈可能なリスクスコアを提供することが可能です。

本レビューでは、まずTARを紹介し、既存のTARモデルを要約し、機械学習の概念を提示し、機械学習の利点を強調し、疾病予測における応用について論じます。さらに、TARにおける機械学習の応用可能性を探り、TAR-SK学習モデルの開発における将来の研究者のための指針を提供します。さらに、SK-learnがTARリスク評価に果たす可能性のある役割についても詳述しますが、顕著な制約が臨床応用を大きく制約していることを強調します。現在のTARモデルは主に遡及的かつ単一センターのデータセットに依存しており、輸血実践の地域差、小児と成人集団間の年齢関連の違いなどの人口統計的特徴、または多様な集団間の遺伝的感受性を捉えきれていない可能性があります。19,26,31,32.さらに、これらのモデルは、TRALIのような免疫介在TARメカニズムの理解に不可欠な、ドナーHLA抗体プロファイルや受容者の炎症プロテオミクスを含むマルチオミクスデータを十分に統合していません。この制限により、免疫サブタイプと非免疫サブタイプを区別する能力が制限されています25,40。解釈可能性は依然として重要な課題です。SK-learnはSHAP値などのツールを提供しますが、希少な遺伝マーカーなどのアルゴリズム予測に生物学的検証がリスク因子として不足している場合、臨床医はこれらのモデルの採用に慎重になり、機械学習の結果と臨床直感の間に乖離が生じる可能性があります。14,50.実際の実装には、堅牢な計算インフラや電子カルテ(EHR)データの標準化前処理の必要性も課題に直面しており、これらは資源制限のある環境ではしばしば利用できないことが多いです47,87。

これらのギャップを埋めるために、今後の研究では、英国のSHOTシステムや中国の小児コホートを含む国際TARレジストリからのデータセットを統合するなど、多施設での前向きデータ収集を優先し、選択バイアスを減らしモデルの一般化可能性を高めるべきです。19,36。ドナー血液および炎症性タンパク質マーカーの単細胞RNAシーケンスを含むマルチモーダルデータをSK-learnパイプラインに組み込むことで、結核薬剤耐性予測研究で観察された感度の12〜24%改善に類似したTARサブタイプ分類の改善が期待されます。免疫学者と協力して、SK-learnで特定されたリスク特徴(特定のHLA抗体の組み合わせ)をin vitro補体活性化アッセイと結びつけるなどのメカニズム検証を行うことで、アルゴリズム予測と生物学的メカニズムのギャップを埋めることができます(22,24)。輸血量やBNPレベルなどのリアルタイム特徴をEHRから自動抽出し、従来の診断基準と並行して解釈可能なリスクスコアを提供するユーザーフレンドリーな臨床意思決定支援ツールの開発は、臨床ワークフローにシームレスに統合するために不可欠です。

ABO/RhマッチングやTRACKスコアなどの従来のTARモデルと比べて、SK-learnには大きな利点があります。例えば、LightGBMのようなアンサンブルアルゴリズムは、ドナー抗HLA抗体と受容者のIL-6レベルなどのリスク因子間の非線形相互作用のモデリングに優れており、抗生物質耐性予測研究における感度を12〜24%向上させています。置換特徴重要度などのデータ駆動型特徴優先順位付けツールは、血液貯蔵期間や未発見合併症などの新規リスク指標を、事前定義された臨床知識を超えて特定できます45,93。さらに、オープンソースアーキテクチャと適度な計算要件により、深層学習フレームワーク69,93とは異なり、リソース制約のある環境でも適用可能です。

この潜在力を臨床への影響に結びつけるためには、今後の研究はいくつかの重要な分野に焦点を当てる必要があります。第一に、選択バイアスを克服し、多様な集団間でのモデルの汎化性を向上させるために、前向きかつ多施設でのデータ収集が不可欠です。第二に、ドナー抗体プロファイル、受容者の炎症マーカーなどのマルチモーダルデータを統合することで、より包括的な機能セットが提供され、sklearnモデルがTARサブタイプをより明確に区別し、複雑なリスク相互作用を捉えることが可能になります。第三に、アルゴリズムで特定されたリスク特徴(例:特定のHLA抗体をin vitroアッセイに結びつける)の生物学的検証は、統計的予測とメカニズム的理解のギャップを埋め、臨床的信頼を築くために不可欠です。最後に、リアルタイムのリスクスコアを提供するユーザーフレンドリーで解釈可能な臨床ツールの開発は、これらのモデルを日常的なワークフローにシームレスに統合し、反応管理から予防的な予防へとパラダイムをシフトさせることを可能にします。

結論として、本レビューは従来のルールベース手法の限界に対処し、輸血リスク評価におけるSK-learnの変革的可能性を強調します。複雑な臨床データを統合し、リスク特徴を優先し、解釈可能な予測を提供することで、SK-learnは精密輸血医療の基盤となっています。しかし、この可能性を実現するには、学際的な協力、SK-learnモデルの大規模な多施設検証、マルチオミクスとリアルタイム臨床データの統合、そしてアルゴリズム的知見と生物学的メカニズムを結びつける臨床医向けのツールの開発が必要です。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結論

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

figure-results-1
図1:TARカテゴリと現行のリスク評価モデル、そしてTARリスク評価におけるSK-learnの潜在的な戦略のイラスト。(A) TARは免疫介在反応と非免疫介在反応の2種類に分けられます。 (B) TARを対象とした現行のリスク評価モデル。 (C) TRALIリスク評価モデル構築手法に基づくTARにおけるSK-learnの仮説。略称:TAR = 輸血に対する副作用;TRALI = 輸血関連急性肺損傷;TACO = 輸血関連循環過負荷。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者たちは競合する利害関係がないと宣言しています。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この研究は、泸州科学技術局(No. 2024JYJ034、題:血小板濃縮中の細胞外小胞に対する照射および貯蔵時間の影響)によって支援されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tanhehco, Y. C. Red blood cell transfusion. Clin Lab Med. 41 (4), 611-619 (2021).
  2. Albright, C. M., Spillane, T. E., Hughes, B. L., Rouse, D. J. A regression model for prediction of cesarean-associated blood transfusion. Am J Perinatol. 36 (9), 879-885 (2019).
  3. Abdallah, R., Rai, H., Panch, S. R. Transfusion reactions and adverse events. Clin Lab Med. 41 (4), 669-696 (2021).
  4. Wang, Y., Rao, Q., Li, X. Adverse transfusion reactions and what we can do. Expert Rev Hematol. 15 (8), 711-726 (2022).
  5. Chen, C., et al. Incidence and risk factor of blood transfusion after abdominal radical hysterectomy for cervical cancer: A 10-year retrospective study of the us nationwide inpatient sample. BMC Cancer. 24 (1), 1454(2024).
  6. Deb, J., et al. Delayed haemolytic transfusion reaction due to kidd antibodies. Transfus Clin Biol. 29 (3), 269-272 (2022).
  7. Gehrie, E. A., Savani, B. N., Booth, G. S. Risk factors for hemolytic transfusion reactions resulting from abo and minor red cell antigen incompatibility: From mislabeled samples to stem cell transplant and sickle cell disease. Blood Rev. 45, 100719(2021).
  8. Maitland, K., et al. Transfusion management of severe anaemia in african children: A consensus algorithm. Br J Haematol. 193 (6), 1247-1259 (2021).
  9. McCullagh, J., et al. Assessing the risks of haemolysis as an adverse reaction following the transfusion of abo incompatible plasma-containing components - a scoping review. Blood Rev. 56, 100989(2022).
  10. Beam, A. L., Kohane, I. S. Big data and machine learning in health care. Jama. 319 (13), 1317-1318 (2018).
  11. Nwanosike, E. M., Conway, B. R., Merchant, H. A., Hasan, S. S. Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. Int J Med Inform. 159, 104679(2022).
  12. Zhang, G., et al. A machine learning model based on ultrasound image features to assess the risk of sentinel lymph node metastasis in breast cancer patients: Applications of scikit-learn and shap. Front Oncol. 12, 944569(2022).
  13. Poly, T. N., Islam, M. M., Li, Y. J. Early diabetes prediction: A comparative study using machine learning techniques. Stud Health Technol Inform. 295, 409-413 (2022).
  14. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542 (7639), 115-118 (2017).
  15. Zhou, D., et al. A machine learning model for predicting diabetic nephropathy based on tg/cys-c ratio and five clinical indicators. Diabetes Metab Syndr Obes. 18, 955-967 (2025).
  16. Li, N., Down, D. G. Deep learning for platelet transfusion. Blood. 142 (26), 2231-2232 (2023).
  17. Lou, S. S., et al. Personalized surgical transfusion risk prediction using machine learning to guide preoperative type and screen orders. Anesthesiology. 137 (1), 55-66 (2022).
  18. Kulhas Celik, I., et al. Frequency and clinical characteristics of allergic transfusion reactions in children. Transfus Apher Sci. 60 (4), 103152(2021).
  19. Guo, K., et al. Transfusion reactions in pediatric patients: An analysis of 5 years of hemovigilance data from a national center for children's health in china. Front Pediatr. 9, 660297(2021).
  20. Thein, S. L., et al. Hemolytic transfusion reactions in sickle cell disease: Underappreciated and potentially fatal. Haematologica. 105 (3), 539-544 (2020).
  21. Chin, J. L. J., et al. Poor utility of current nomograms assessing the risk of intraoperative blood transfusion in patients undergoing liver resection for hepatocellular carcinoma and proposal of a new model. Surgery. 172 (5), 1442-1447 (2022).
  22. Nguyen, N. T., Titze, T. L., Nissen-Meyer, L. S. H. Evaluation of transfusion reactions in patients following transfusion of blood components containing antibodies to hla class i - an attempt to prevent trali in patients. Transfus Apher Sci. 63 (4), 103970(2024).
  23. Saadah, N. H., et al. Transition from fresh frozen plasma to solvent/detergent plasma in the netherlands: Comparing clinical use and transfusion reaction risks. Haematologica. 105 (4), 1158-1165 (2020).
  24. Yanagisawa, R., Yamanaka, M., Kawakami, F., Nakazawa, H. Sub-pollen in platelet products: A potential cause of allergic transfusion reactions. Allergol Int. 73 (1), 184-186 (2024).
  25. Kiely, P., et al. Erratum to "emerging infectious diseases and blood safety: Modeling the transfusion-transmission risk" (transfusion medicine reviews 31/3 [2017] 154-164). Transfus Med Rev. 32 (1), 66-68 (2018).
  26. Mangala, C., et al. Prevalence and factors associated with transfusion-transmissible infections (hiv, hbv, hcv and syphilis) among blood donors in gabon: Systematic review and meta-analysis. PLoS One. 19 (8), e0307101(2024).
  27. McManus, H., et al. Risk of variant creutzfeldt-jakob disease transmission by blood transfusion in australia. Vox Sang. 117 (8), 1016-1026 (2022).
  28. Shahi, N., et al. Decision-making in pediatric blunt solid organ injury: A deep learning approach to predict massive transfusion, need for operative management, and mortality risk. J Pediatr Surg. 56 (2), 379-384 (2021).
  29. Rogers, M. A., Rohde, J. M., Blumberg, N. Haemovigilance of reactions associated with red blood cell transfusion: Comparison across 17 countries. Vox Sang. 110 (3), 266-277 (2016).
  30. Shah, N., et al. Real-world effectiveness of voxelotor for treating sickle cell disease in the us: A large claims data analysis. Expert Rev Hematol. 15 (2), 167-173 (2022).
  31. Hanson, S. J., et al. Transfusion practices in pediatric cardiac surgery requiring cardiopulmonary bypass: A secondary analysis of a clinical database. Pediatr Crit Care Med. 22 (11), 978-987 (2021).
  32. Kohorst, M. A., et al. Transfusion reactions in pediatric and adolescent young adult haematology oncology and immune effector cell patients. EClinicalMedicine. 26, 100514(2020).
  33. Houben, N. A. M., et al. Platelet transfusion in neonatal intensive care units of 22 european countries: A prospective observational study. Lancet Reg Health Eur. 47, 101086(2024).
  34. Semple, J. W., Rebetz, J., Kapur, R. Transfusion-associated circulatory overload and transfusion-related acute lung injury. Blood. 133 (17), 1840-1853 (2019).
  35. Murphree, D., et al. Ensemble learning approaches to predicting complications of blood transfusion. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 7222-7225 (2015).
  36. Bolton-Maggs, P. H., Cohen, H. Serious hazards of transfusion (shot) haemovigilance and progress is improving transfusion safety. Br J Haematol. 163 (3), 303-314 (2013).
  37. Leff, J., Romano, C. A., Gilbert, S., Nair, S. Validation study of the transfusion risk and clinical knowledge (track) tool in cardiac surgery patients: A retrospective analysis. J Cardiothorac Vasc Anesth. 33 (10), 2669-2675 (2019).
  38. Madhu Krishna, N. R., et al. Evaluation of risk scores in predicting perioperative blood transfusions in adult cardiac surgery. Ann Card Anaesth. 22 (1), 73-78 (2019).
  39. Roubinian, N. Taco and trali: Biology, risk factors, and prevention strategies. Hematology Am Soc Hematol Educ Program. 2018 (1), 585-594 (2018).
  40. Tung, J. P., et al. Transfusion-related acute lung injury (trali): Potential pathways of development, strategies for prevention and treatment, and future research directions. Blood Rev. 53, 100926(2022).
  41. Hendrickson, J. E., Fasano, R. M. Management of hemolytic transfusion reactions. Hematology Am Soc Hematol Educ Program. 2021 (1), 704-709 (2021).
  42. Nunez, T. C., Young, P. P., Holcomb, J. B., Cotton, B. A. Creation, implementation, and maturation of a massive transfusion protocol for the exsanguinating trauma patient. J Trauma. 68 (6), 1498-1505 (2010).
  43. Ohbe, H., et al. Trends in massive transfusion practice for trauma in japan from 2011 to 2020: A nationwide inpatient database study. J Intensive Care. 11 (1), 46(2023).
  44. Ahmadzia, H. K., et al. Machine learning models for prediction of maternal hemorrhage and transfusion: Model development study. JMIR Bioinform Biotechnol. 5, e52059(2024).
  45. Maynard, S., et al. Machine learning in transfusion medicine: A scoping review. Transfusion. 64 (1), 162-184 (2024).
  46. Mitterecker, A., et al. Machine learning-based prediction of transfusion. Transfusion. 60 (9), 1977-1986 (2020).
  47. Shang, G., Biggerstaff, B. J., Richardson, A. M., Gahan, M. E., Lidbury, B. A. A simulation model to estimate the risk of transfusion-transmitted arboviral infection. Transfus Apher Sci. 55 (2), 233-239 (2016).
  48. D'Alessandro, A. Red blood cell omics and machine learning in transfusion medicine: Singularity is near. Transfus Med Hemother. 50 (3), 174-183 (2023).
  49. Lopes, M. G. M., et al. Big data in transfusion medicine and artificial intelligence analysis for red blood cell quality control. Transfus Med Hemother. 50 (3), 163-173 (2023).
  50. Roubinian, N. H., et al. Donor genetic and nongenetic factors affecting red blood cell transfusion effectiveness. JCI Insight. 7 (1), e152598(2022).
  51. Toma, A., Diller, G. P., Lawler, P. R. Deep learning in medicine. JACC Adv. 1 (1), 100017(2022).
  52. Stilgoe, J. We need a weizenbaum test for ai. Science. 381 (6658), eadk0176(2023).
  53. Valkenborg, D., Rousseau, A. J., Geubbelmans, M., Burzykowski, T. Support vector machines. Am J Orthod Dentofacial Orthop. 164 (5), 754-757 (2023).
  54. Sarker, I. H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Comput Sci. 2 (6), 420(2021).
  55. Howell, M. D., Corrado, G. S., DeSalvo, K. B. Three epochs of artificial intelligence in health care. Jama. 331 (3), 242-244 (2024).
  56. Rauschert, S., Raubenheimer, K., Melton, P. E., Huang, R. C. Machine learning and clinical epigenetics: A review of challenges for diagnosis and classification. Clin Epigenetics. 12 (1), 51(2020).
  57. Darcy, A. M., Louie, A. K., Roberts, L. W. Machine learning and the profession of medicine. Jama. 315 (6), 551-552 (2016).
  58. Obermeyer, Z., Emanuel, E. J. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med. 375 (13), 1216-1219 (2016).
  59. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  60. McKinney, S. M., et al. International evaluation of an ai system for breast cancer screening. Nature. 577 (7788), 89-94 (2020).
  61. Coudray, N., et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 24 (10), 1559-1567 (2018).
  62. Jiang, P., et al. Signatures of t cell dysfunction and exclusion predict cancer immunotherapy response. Nat Med. 24 (10), 1550-1558 (2018).
  63. Ardila, D., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 25 (6), 954-961 (2019).
  64. Tomašev, N., et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 572 (7767), 116-119 (2019).
  65. Swanson, K., Wu, E., Zhang, A., Alizadeh, A. A., Zou, J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 186 (8), 1772-1791 (2023).
  66. Xu, Y., et al. Medical breast ultrasound image segmentation by machine learning. Ultrasonics. 91, 1-9 (2019).
  67. Wang, S., et al. Predicting egfr mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur Respir J. 53 (3), 1800986(2019).
  68. Wu, Z., et al. Single-cell techniques and deep learning in predicting drug response. Trends Pharmacol Sci. 41 (12), 1050-1065 (2020).
  69. Tran, K. A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 13 (1), 152(2021).
  70. Ha, R., et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol. 26 (4), 544-549 (2019).
  71. Ryu, H. S., et al. Automated gleason scoring and tumor quantification in prostate core needle biopsy images using deep neural networks and its comparison with pathologist-based assessment. Cancers (Basel). 11 (12), 1860(2019).
  72. Nir, G., et al. Comparison of artificial intelligence techniques to evaluate performance of a classifier for automatic grading of prostate cancer from digitized histopathologic images. JAMA Netw Open. 2 (3), e190442(2019).
  73. Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: A population-based, diagnostic study. Lancet Oncol. 21 (2), 222-232 (2020).
  74. Ehteshami Bejnordi, B., et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 31 (10), 1502-1512 (2018).
  75. El Achi, H., Khoury, J. D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology. Cancers (Basel). 12 (4), 797(2020).
  76. Poojitha, U. P., Lal Sharma, S. Hybrid unified deep learning network for highly precise gleason grading of prostate cancer. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 899-903 (2019).
  77. Szklarczyk, D., et al. String v10: Protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 43 (Database issue), D447-D452 (2015).
  78. Vaid, A., et al. Machine learning to predict mortality and critical events in a cohort of patients with covid-19 in new york city: Model development and validation. J Med Internet Res. 22 (11), e24018(2020).
  79. Lao, J., et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. 7 (1), 10353(2017).
  80. Goodswen, S. J., et al. Machine learning and applications in microbiology. FEMS Microbiol Rev. 45 (5), fuab015(2021).
  81. Rajaraman, S., et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 6, e4568(2018).
  82. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K., Zwiggelaar, R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 47, 45-67 (2018).
  83. Dembrower, K., et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology. 294 (2), 265-272 (2020).
  84. Yala, A., et al. Toward robust mammography-based models for breast cancer risk. Sci Transl Med. 13 (578), eaba4373(2021).
  85. Al-Riyami, A. Z., Gammon, R. R., Seheult, J., Arora, S., Goel, R. Artificial intelligence and transfusion education, research and practice: The view from the isbt clinical transfusion working party. Vox Sang. , 1-7 (2025).
  86. Sheikhalishahi, S., et al. Predicting blood transfusion demand in intensive care patients after surgery by comparative analysis of temporally extended data selection. BMC Med Inform Decis Mak. 24 (1), 397(2024).
  87. Zang, H., Hu, A., Xu, X., Ren, H., Xu, L. Development of machine learning models to predict perioperative blood transfusion in hip surgery. BMC Med Inform Decis Mak. 24 (1), 158(2024).
  88. Lavecchia, A., Cerchia, C. In silico methods to address polypharmacology: Current status, applications and future perspectives. Drug Discov Today. 21 (2), 288-298 (2016).
  89. Gupta, R., et al. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Mol Divers. 25 (3), 1315-1360 (2021).
  90. Smith, J. S., Roitberg, A. E., Isayev, O. Transforming computational drug discovery with machine learning and ai. ACS Med Chem Lett. 9 (11), 1065-1069 (2018).
  91. Powles, J., Hodson, H. Google deepmind and healthcare in an age of algorithms. Health Technol (Berl). 7 (4), 351-367 (2017).
  92. Senior, A. W., et al. Improved protein structure prediction using potentials from deep learning. Nature. 577 (7792), 706-710 (2020).
  93. Abraham, A., et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform. 8, 14(2014).
  94. Dreizin, D., et al. Deep learning-based quantitative visualization and measurement of extraperitoneal hematoma volumes in patients with pelvic fractures: Potential role in personalized forecasting and decision support. J Trauma Acute Care Surg. 88 (3), 425-433 (2020).
  95. Nayshool, O., Kol, N., Javaski, E., Amariglio, N., Rechavi, G. Surviveai: Long term survival prediction of cancer patients based on somatic rna-seq expression. Cancer Inform. 21, 11769351221127875(2022).
  96. Tanaka, T. [[fundamentals] 5. Python+scikit-learn for machine learning in medical imaging]. Nihon Hoshasen Gijutsu Gakkai Zasshi. 79 (10), 1189-1193 (2023).
  97. Cohen, O., Barzilai, M., Cohen, O. Ai applications in transfusion medicine: Opportunities, challenges, and future directions. Acta Haematol. 148 (5), 516-526 (2025).
  98. Tang, M., et al. An artificial intelligence-assisted clinical framework to facilitate diagnostics and translational discovery in hematologic neoplasia. EBioMedicine. 104, 105171(2024).
  99. Urusova, L., et al. The new histological system for the diagnosis of adrenocortical cancer. Front Endocrinol (Lausanne). 14, 1218686(2023).
  100. Majumder, S. K., Ghosh, N., Gupta, P. K. Support vector machine for optical diagnosis of cancer. J Biomed Opt. 10 (2), 024034(2005).
  101. Liu, H. X., et al. Diagnosing breast cancer based on support vector machines. J Chem Inf Comput Sci. 43 (3), 900-907 (2003).
  102. Quist, J., Taylor, L., Staaf, J., Grigoriadis, A. Random forest modelling of high-dimensional mixed-type data for breast cancer classification. Cancers (Basel). 13 (5), 991(2021).
  103. Ma, B., et al. Diagnostic classification of cancers using extreme gradient boosting algorithm and multi-omics data. Comput Biol Med. 121, 103761(2020).
  104. Li, Q., et al. Xgboost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 20 (1), 177(2022).
  105. Li, H., et al. Colorectal cancer detected by machine learning models using conventional laboratory test data. Technol Cancer Res Treat. 20, 15330338211058352(2021).
  106. Tran, T., Le, U., Shi, Y. An effective up-sampling approach for breast cancer prediction with imbalanced data: A machine learning model-based comparative analysis. PLoS One. 17 (5), e0269135(2022).
  107. Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 12 (4), e0174944(2017).
  108. Shinohara, I., et al. Re-tear after arthroscopic rotator cuff tear surgery: Risk analysis using machine learning. J Shoulder Elbow Surg. 33 (4), 815-822 (2024).
  109. Roubinian, N. H., et al. Incidence and clinical characteristics of transfusion-associated circulatory overload using an active surveillance algorithm. Vox Sang. 112 (1), 56-63 (2017).
  110. Vlaar, A. P. Transfusion-related acute lung injury: Current understanding and preventive strategies. Transfus Clin Biol. 19 (3), 117-124 (2012).
  111. Allain, J. P., Goodrich, R. Pathogen reduction of whole blood: Utility and feasibility. Transfus Med. 27 (Suppl 5), 320-326 (2017).
  112. Hendrickson, J. E., et al. Incidence of transfusion reactions: A multicenter study utilizing systematic active surveillance and expert adjudication. Transfusion. 56 (10), 2587-2596 (2016).
  113. Wang, K., et al. Improving risk identification of adverse outcomes in chronic heart failure using smote+enn and machine learning. Risk Manag Healthc Policy. 14, 2453-2463 (2021).
  114. Lipkova, J., et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 40 (10), 1095-1110 (2022).
  115. Ahn, S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn. Transl Clin Pharmacol. 30 (4), 172-181 (2022).
  116. Nayebi, A., Tipirneni, S., Foreman, B., Reddy, C. K., Subbian, V. An empirical comparison of explainable artificial intelligence methods for clinical data: A case study on traumatic brain injury. AMIA Annu Symp Proc. 2022, 815-824 (2022).
  117. Contreras, J., Winterfeld, A., Popp, J., Bocklitz, T. Spectral zones-based shap/lime: Enhancing interpretability in spectral deep learning models through grouped feature analysis. Anal Chem. 96 (39), 15588-15597 (2024).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

関連記事