論文の概要: Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models

• arxiv url: http://arxiv.org/abs/2602.22400v1
• Date: Wed, 25 Feb 2026 20:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.400895
• Title: Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models
• Title（参考訳）: 細菌分離株における多剤耐性の予測 : 性能比較とLIMEによる分類モデルの解釈
• Authors: Santanam Wishal, Riad Sahara,
• Abstract要約: 本研究では,細菌由来の多剤耐性(MDR)を予測するための解釈可能な機械学習フレームワークを提案する。 ロジスティック回帰、ランダムフォレスト、AdaBoost、XGBoost、LightGBMの5つの分類モデルが評価された。 アンサンブルモデル、特にXGBoostとLightGBMは、すべてのメトリクスに対して優れた予測能力を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of Antimicrobial Resistance, particularly Multi-Drug Resistance (MDR), presents a critical challenge for clinical decision-making due to limited treatment options and delays in conventional susceptibility testing. This study proposes an interpretable machine learning framework to predict MDR in bacterial isolates using clinical features and antibiotic susceptibility patterns. Five classification models were evaluated, including Logistic Regression, Random Forest, AdaBoost, XGBoost, and LightGBM. The models were trained on a curated dataset of 9,714 isolates, with resistance encoded at the antibiotic family level to capture cross-class resistance patterns consistent with MDR definitions. Performance assessment included accuracy, F1-score, AUC-ROC, and Matthews Correlation Coefficient. Ensemble models, particularly XGBoost and LightGBM, demonstrated superior predictive capability across all metrics. To address the clinical transparency gap, Local Interpretable Model-agnostic Explanations (LIME) was applied to generate instance-level explanations. LIME identified resistance to quinolones, Co-trimoxazole, Colistin, aminoglycosides, and Furanes as the strongest contributors to MDR predictions, aligning with known biological mechanisms. The results show that combining high-performing models with local interpretability provides both accuracy and actionable insights for antimicrobial stewardship. This framework supports earlier MDR identification and enhances trust in machine learning-assisted clinical decision support.
• Abstract（参考訳）: 薬剤耐性の上昇、特に多剤耐性(MDR)は、治療オプションの制限と従来の感受性試験の遅れにより、臨床的意思決定にとって重要な課題である。 本研究では,臨床像と抗生物質感受性パターンを用いて細菌分離菌のMDRを予測するための解釈可能な機械学習フレームワークを提案する。 ロジスティック回帰、ランダムフォレスト、AdaBoost、XGBoost、LightGBMの5つの分類モデルが評価された。 これらのモデルは、9,714個の単離されたデータセットで訓練され、耐性は抗生物質ファミリーレベルでコード化され、MDR定義と整合したクラス間の抵抗パターンを捕捉した。 性能評価には精度、F1スコア、AUC-ROC、マシューズ相関係数が含まれる。 アンサンブルモデル、特にXGBoostとLightGBMは、すべてのメトリクスに対して優れた予測能力を示した。 臨床透明性のギャップに対処するため,LIME(Local Interpretable Model-Agnostic Explanations)をインスタンスレベルの説明に応用した。 LIMEは、キノロン、コ-トリモキサゾール、コリチン、アミノグリコシド、フルラネースに対する耐性を、既知の生物学的機構と整合して、MDR予測の最も強い貢献者として同定した。 その結果、高性能モデルと局所的解釈可能性を組み合わせることで、抗菌スチュワードシップの精度と実用的な洞察が得られることがわかった。 このフレームワークは、初期のMDR識別をサポートし、機械学習支援臨床意思決定への信頼を高める。

関連論文リスト

• Cross-Linguistic Persona-Driven Data Synthesis for Robust Multimodal Cognitive Decline Detection [20.599682298329213]
  我々は、制御可能なゼロショットマルチモーダルデータ合成とChain-of-Thought deductionファインチューニングを統合する新しいフレームワークであるSynCogを紹介する。 この生成パラダイムは、様々な言語にまたがる臨床コーパスの迅速でゼロショット展開を可能にする。 ADReSSとADReSSoベンチマークの実験は、限られた臨床データを合成表現型で増強することで、競争力のある診断性能が得られることを示した。
  論文  参考訳（メタデータ） (2026-02-08T14:10:05Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• VAMP-Net: An Interpretable Multi-Path Framework of Genomic Permutation-Invariant Set Attention and Quality-Aware 1D-CNN for MTB Drug Resistance [0.0]
  本稿では,解釈可能な可変型マルチパスネットワーク(VAMP-Net)を提案する。 Path-1は、ゲノム座間のエピスタティック相互作用を捉えるために、Set Attention Transformer Processing permutation-invariant variant setを使用する。 Path-2は1D Confabal Networkを使用し、Variant Call Formatの品質指標を分析して信頼性スコアを学習する。
  論文  参考訳（メタデータ） (2025-12-25T21:28:54Z)
• Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations [8.062368743143388]
  マルチドラッグ抵抗(MDR)は、世界的な健康問題であり、入院、医療費、死亡率の上昇を引き起こす。 本研究では,MDR予測のための解釈可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-24T16:19:13Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients [7.727213847237959]
  本研究では,GRU(Gated Recurrent Units)と高度な内在的・ポストホック的解釈可能性技術を統合した新しい手法を提案する。 ICU患者に対するMDR(Multidrug-Resistant)感染に関連する危険因子の特定を目的とした。
  論文  参考訳（メタデータ） (2024-07-24T11:12:01Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Predicting Antimicrobial Resistance in the Intensive Care Unit [5.129856875153228]
  本研究は,臨床および微生物学的予測器を用いたAMRの予測モデルを開発する。 培養前の抵抗を正確に予測できる能力は、臨床的な意思決定を知らせ、行動までの時間を短縮する可能性がある。
  論文  参考訳（メタデータ） (2021-11-05T15:50:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。