心外膜下脂肪量および脂肪肝に着目した虚血性心疾患予測のための機械学習モデルの構築

2023 Fiscal Year Annual Research Report

• Project/Area Number: 21K12657
• Research Institution: Waseda University
• Principal Investigator: 弓場 充 早稲田大学, 総合研究機構, その他(招聘研究員) (50875367)
• Co-Investigator(Kenkyū-buntansha): 岩崎 清隆 早稲田大学, 理工学術院, 教授 (20339691) ; 坪子 侑佑 国立医薬品食品衛生研究所, 医療機器部, 主任研究官 (40809399)
• Project Period (FY): 2021-04-01 – 2024-03-31
• Keywords: 機械学習 / 虚血性心疾患 / 心外膜下脂肪組織 / 脂肪肝

Outline of Annual Research Achievements

本年度は、初年度、2年度で収集したデータを詳細に解析し、機械学習モデルの診断精度評価及び診断性能に寄与している特徴量を明らかにすることに取組んだ。社会医療法人北海道循環器病院において2018年1月から2019年12月に冠動脈CT検査を実施した患者1088症例を組み入れた。当該患者の中で虚血が確認され経皮的冠動脈形成術（PCI）または冠動脈バイパス術（CABG）を実施した患者を虚血性心疾患発症群として384例，虚血症状がない患者704例を後ろ向きに組入れ機械学習モデルを構築しAUCで評価した。脂肪肝の有無は肝臓と脾臓のCT値より算出されるLiver/Spleen (L/S)比が1.0以下の場合に有りとし、EAT量（cm3）と併せて冠動脈CTから後ろ向きに取得した。機械学習モデルの構築にはPython(ver 2.7.12)を用いた。特徴量の重要度算出には構築したモデルの説明変数の係数を各特徴量の桁数に応じて正規化して評価した。ロジスティック回帰モデルにおいて患者基本情報に加えて脂肪肝（FL）の情報を学習したモデルが最も精度が高く、AUCは0.768（95% CI:0.699-0.838）であった。次に高値をしめしたのは患者基本情報に加えてEAT量及びFLを学習させたモデルであり、AUCは0.763(95% CI:0.694-0.833)であった。患者基本情報に加えてEAT量を学習させたモデルのAUCは0.742 (95% CI:0.671-0.814)であった。この傾向はSupport Vector Machineでも同様であった。一方で、EAT量を学習させたモデルではいずれもEAT量の特徴量の重要度は高値を示していた。本研究において、患者基本情報に加えてFLを学習させた場合に顕著な精度の向上を示したこと、及びEAT量の情報を加えると精度が低下したことから、EAT量よりFLの方が虚血性心疾患のリスク因子として重要な特徴量であることが示された。