획기적인 개발에서 기계 학습 기술은 임상 데이터 및 혈액 매개변수, 특히 NAFLD 활동 점수(NAS)를 기반으로 비알코올성 지방간염(NASH)의 조기 진단에 상당한 잠재력을 보여주었습니다. 이 유망한 연구는 간 생검과 같은 침습적 절차의 필요성을 제거하여 비침습적이고 정확한 NASH 진단을 향한 실질적인 도약을 의미합니다.
비알코올성 지방간 질환(NAFLD)의 전 세계적 유병률은 세계 인구의 4분의 1 이상에 영향을 미칠 만큼 놀라운 수준에 도달했습니다. NAFLD는 간 관련 및 심혈관 사망 위험 증가와 밀접하게 연관되어 있어 공중 보건 문제가 시급합니다. 더욱이, NAFLD는 염증, 간세포 손상 및 섬유증을 특징으로 하는 보다 심각한 상태인 NASH로 진행될 수 있습니다. NASH를 치료하지 않으면 간경화, 간암, 심혈관 질환으로 이어질 수 있으므로 조기 발견이 중요합니다.
전통적으로 간 생검은 NASH 진단의 표준이었습니다. 그러나 이는 내부 출혈을 포함한 잠재적인 합병증이 있는 침습적 시술입니다. 또한 진단의 정확성은 병리학자의 전문 지식에 따라 달라지는 경우가 많습니다. 이러한 문제를 해결하기 위해 초음파, CT 스캔, MRI와 같은 비침습적 방법이 개발되었지만 여전히 인간의 해석과 한계가 있습니다.
임상 데이터 및 머신러닝 활용
이번 연구는 환자가 쉽게 접근할 수 있고 부담이 덜한 임상 데이터와 혈액 검사 결과를 활용하는 것이 중요하다는 점을 강조합니다. 임상 및 실험실 데이터를 갖춘 기계 학습 모델은 질병 진단을 위한 강력한 도구로 떠오르고 있습니다. 이러한 알고리즘은 데이터 내의 복잡한 관계를 분석하여 신속하고 신뢰할 수 있는 추정치를 제공하고 의료 전문가가 정보에 입각한 결정을 내릴 수 있도록 지원합니다.
이 연구가 차별화되는 점은 포괄적인 접근 방식입니다. 제한된 분류기 세트에 의존하는 대신 이 연구에서는 SVM(Support Vector Machine), Random Forest, AdaBoost, LightGBM 및 XGBoost를 포함한 광범위한 기계 학습 알고리즘을 탐색했습니다. 각 분류기에 대해 하이퍼파라미터 튜닝을 꼼꼼하게 수행하여 성능을 최적화했습니다.
연구 결과의 신뢰성을 보장하기 위해 연구원들은 100회 반복에 대한 일대일 교차 검증이라는 엄격한 평가 전략을 사용했습니다. 이 방법론은 기계 학습 연구에서 흔히 발생하는 과제인 과적합의 위험을 최소화하고 결과의 신뢰성을 향상시킵니다.
예측 특징 식별
NASH에 대한 가장 예측 가능한 특징을 식별하기 위해 이 연구에서는 SFS(Sequential Forward Selection), 카이제곱, 분산 분석(ANOVA), 상호 정보(MI)와 같은 다양한 특징 선택 방법을 사용했습니다. 이러한 기술은 입력 데이터를 구체화하여 기계 학습 모델의 정확성을 높이는 데 도움이 되었습니다.
기계 학습 분류자 중에서 Random Forest는 SFS 기능 선택 및 신중하게 선택된 81.32가지 기능과 함께 최고의 성능을 발휘하는 것으로 나타났습니다. 86.04%의 정확도, 70.49%의 민감도, 81.59%의 특이도, 1%의 정밀도, 83.75%의 FXNUMX 점수를 달성했습니다.
이 연구는 NASH 진단에 혁명을 일으키기 위한 중요한 단계를 의미합니다. 의료 전문가는 임상 데이터 및 혈액 매개변수와 함께 기계 학습 알고리즘을 활용하여 잠재적으로 NASH를 조기에 식별하여 적시에 개입하고 심각한 합병증의 위험을 줄일 수 있습니다.
비침습적 진단 방법에 대한 연구의 강조는 간 생검과 같은 침습적 절차와 관련된 위험과 불편을 최소화할 수 있는 가능성을 강조합니다. 대신 임상의는 쉽게 이용할 수 있는 환자 데이터에 의존하여 NASH 진단에 더 쉽게 접근할 수 있고 환자의 부담을 줄일 수 있습니다.
출처: https://www.cryptopolitan.com/breakthrough-in-nash-diagnosis/