事例 03 · Clinical ML

人工関節感染の術前診断

結果が出るモデルであることと、病院で使えることは別。だから配備まで仕上げた。

役割: モデリング・フロント／バック・配備
技術: scikit-learn・XGBoost・SHAP・pyeda・Flask・Docker
データ: 324 件、臨床特徴 11 項目

仕事一覧へ

診断ツールの説明画面。モデルの決定パスを、start から Positive_Histology、APTT、Synovial_PMN などの臨床検査の条件を経て infected に至るグラフとして描いたもの。 — 実際の画面のスクリーンショット：ツールが描いたモデルの決定パス。

01課題

人工関節置換後の感染は、再置換手術の前に判断する必要がある。確定診断ではなく、血液データと併存疾患指数からの判断になる。精度は必要条件でしかない。臨床側が、なぜそう判断したのかを見られなければ使えない。

02つくったもの

スタッキングのアンサンブルが予測を出し、それを解釈するためにランダムフォレストを当てる。得られた決定規則は、読める長さになるまで最小化する。結果の横に SHAP 値を並べ、一件ごとに議論できるようにした。

同じ決定パスをルールとして書き出したもの。Synovial_WBC <= 2795.0、Serum_ESR <= 58.5 のような臨床的な閾値による七つの条件が「または」でつながり、最後に then infected。 — 実際の画面のスクリーンショット：同じ決定パスを、ツールがルールとして書き出したもの。

上のスクリーンショットから一字一句書き起こしたもの：七つの条件すべて。

Decision pathif ( Positive_Histology == False & two_positive_culture == False & APTT <= 32.5 & APTT > 28.5 & Synovial_WBC <= 2795.0 & Total_Elixhauser_Groups_per_record <= 1.5 & PLATELET <= 321.0 & Synovial_PMN <= 83.0 )| ( Positive_Histology == False & two_positive_culture == False & Segment <= 70.5 & Single_Positive_culture <= 0.5 & Synovial_PMN <= 87.5 )| ( Positive_Histology == False & Synovial_PMN <= 82.5 )| ( Positive_Histology == False & Synovial_PMN <= 82.5 & Hb > 12.5 )| ( Positive_Histology == False & APTT <= 32.5 & Synovial_PMN <= 82.5 & Synovial_WBC <= 8280.0 & Serum_ESR <= 58.5 )| ( Positive_Histology == False & APTT <= 32.5 & Synovial_WBC <= 23099.0 & Age > 48.5 )| ( two_positive_culture == False & Hb > 12.5 & Serum_ESR <= 57.0 & PLATELET <= 402.5 & Synovial_WBC <= 21314.0 )then infected

03病院に置くまで

Flask のフロントとバック、ログイン、患者データ、対話的な予測画面。ノート PC 以外の場所に立てられるよう Docker にまとめた。規則の最小化は計算量が重く、起動に二分以上かかる。それでも、リクエストごとではなく起動時に一度だけ払う価値のあるコストだ。

2: つのモデル：予測と説明
リンク: ソース (非公開リポジトリ)