一、学術的背景および研究動機 近年、人工知能（Artificial Intelligence, AI）は医療健康分野で大きな進展を遂げています。初期の診断補助、リスク予測から個別化された介入提案まで、AIは医療サービスの質と効率を向上させる重要なツールとなっています。しかし、AIの臨床応用には多くの課題が残されており、その中でも特に顕著なのがモデルの説明可能性（Explainability）と信頼性（Trustworthiness）です。AI システムが臨床意思決定支援（Clinical Decision Support Systems, CDSS）に用いられる際、医療従事者や患者はAIがどのように推論を行ったのか、その推論が既存の医学知識と合致しているか、いわゆる「ブラックボックス」ではな...

背景紹介：機械学習回帰モデルにおける変数選択の重要性 近年、機械学習はバイオインフォマティクスおよびデータサイエンス分野で広く応用され、予測モデリングの発展を大きく促進しています。ランダムフォレスト（Random Forest、RF）回帰は一般的なアンサンブル学習アルゴリズムとして、予測精度やモデルの堅牢性を効果的に高めることができ、連続型アウトカムの予測モデルを構築する上で重要なツールとなっています。しかし、高次元データに直面した場合、モデル内の予測変数が多いほど必ずしも予測性能の向上につながるわけではなく、むしろ情報の冗長化やモデルの過学習、実際の応用時の利便性の低下につながる可能性があります。したがって、「変数選択（Variable Selection/Feature Selectio...

水平フェデレーション学習における効果的な特徴選択の新しいアプローチ 近年、フェデレーション学習（Federated Learning, FL）はデータプライバシー保護型の分散機械学習手法として注目を集めています。複数のクライアント間でモデルを協調的に学習する際に情報共有が必要とされる一方で、クライアントはローカルデータを一切共有しないため、全体モデルの性能を保証する新しいアプローチが求められています。特に、水平フェデレーション学習（Horizontal Federated Learning, HFL）では、全てのクライアントが同じ特徴空間を共有しますが、個々のサンプルデータは異なるため、大量の冗長特徴や次元性の呪い（Curse of Dimensionality）によりモデルの性能と学習効率...

最適化統合機械学習による膠芽腫の予測 論文背景と研究目的 医学研究において、膠芽腫（gliomas）は最も一般的な原発性脳腫瘍であり、異なる臨床行動と治療結果を持つ多様な癌のタイプがあります。膠芽腫患者の予後を正確に予測することは、治療計画の最適化と個別化された患者ケアにとって極めて重要です。大規模なゲノムおよび臨床情報の広範な利用可能性に伴い、機械学習手法は信頼性のある膠芽腫予測モデルを作成する上で大きな可能性を示しています。本研究における膠芽腫予測モデルは、複数の機械学習アルゴリズム（KStarおよびSMOReg）を統合することで、膠芽腫予測の精度と効率を向上させ、個別化医療および患者予後の改善に寄与することを目的としています。 論文出典 この論文はJatin Thakur、Chahil...

喘息予測を関連グラフ強化分類器を用いて：従来の血液バイオマーカーに基づく機械学習手法 背景紹介 喘息は、全世界で約2.35億人に影響を及ぼす慢性呼吸器疾患です。世界保健機関（World Health Organization, WHO）の統計によると、喘息の主な特徴は気道の炎症であり、喘息患者は喘鳴、呼吸困難および胸部の圧迫感などの症状を示します。効果的な喘息管理および治療のためには、迅速かつ正確な診断が重要です。しかし、従来の喘息診断方法は病歴、身体検査および肺機能検査を併用するため、費用がかかるだけでなく、一部の患者の非典型的症状により診断時間が延びたり誤診されたりすることがあります。特に小児喘息の診断は困難で、従来の方法の時間がかかる特性はこの問題をさらに悪化させます。 機械学習（Ma...