OverallICIM 13369.0 (3) 45 (33.8%) 88 (66.2%) 27.9 (0.53) 59 (56.4%) 59 (56.4%) 3 (2.3%) 6 (4.5%) 1 (0.8%) 33 (24.8%) 0 4 (2.3%) 0 31 (23.3%) 9 (6.8%) 7 (5.3%) 8 (5.3%) 11 (8.3%) 46 (34.6%) 48 (36.1%) 8 (6.0%) 4 (3.0%) 6 (4.5%) 33 (24.8%) 1 (0.8%) 1 (0.8%) 4 (3.0%) 27 (20.3%)Non-ICIM52,360 64.9 (0.05)23,355 (44.6%) 29,275 (55.9%) 27.2 (0.03)14,619 (27.9%)27,439 (52.4%) 3,777 (6.9%) 4,984 (9.5%) 445 (0.8%) 4.411 (8.4%) 109 (0.2%) 550 (1.1%) 109 (0.2%) 3,671 (7.0%) 4,008 (7.7%) 2,867 (5.5%) 3017 (5.8%) 4530 (8.7%)19,287 (36.8%)10,629 (20.2%) 4,201 (8.0%) 3,668 (7.0%) 3,203 (6.1%) 8,565 (16.4%) 1,333 (2.5%) 623 (1.2%) 2,326 (4.4%) 7,454 (14.2%)表 1 患者背景Age, years (mean (SD))Sex (%)FemaleMaleBMI, kg/m² (mean (SD))Category of ICIs (%)NivolumabPembrolizumabDurvalumabAtezolizumabAvelumabIpilimumabDostarilimabRelatlimabCemiplimabICI combined use (%)Cancer types (%)Head and neck squamous cell cancersEsophageal and gastric cancersColorectal cancerHepatobiliary and pancreatic cancersLung cancerSkin cancerBreast cancerGynecologic cancerProstate cancerUrologic cancerCentral nervous system cancersThyroid cancerHematologic cancerOther cancersn52,763 64.9 (0.05)23,400 (44.3%) 29,363 (55.7%) 27.2 (0.03)14,678 (27.8%)27,498 (52.1%) 3,780 (7.2%) 4,990 (9.5%) 446 (0.8%) 4,444 (8.4%) 109 (0.2%) 554 (1.0%) 109 (0.2%) 3,702 (7.0%) 4,017 (7.6%) 2874 (5.4%) 3024 (5.7%) 4,541 (8.6%)19,324 (36.6%)10,677 (20.2%) 4,209 (8.0%) 3,672 (7.0%) 3,209 (6.1%) 8,598 (16.2%) 1,344 (2.5%) 624 (1.2%) 2,330 (4.4%) 7,481 (14.2%)178 各条件で訓練データを用い、計 16 種類の機械学習アルゴリズムで予測モデルを構築した。その結果、未調整データから得られたモデルは F5 スコアが一様に低く（表 2）、実用的とは言い難かった。 一方、SMOTE により ICIM 症例と Non-ICIM症例の比率を 1:100 に調整した場合、最良の性能はXGBoost であり、F5 スコア、Accuracy、AUROC、Recall、Precision はそれぞれ 0.525、0.995、0.925、0.515、0.996 であった（表 3）。さらに、SMOTE後に RUS を併用して比率を 1：10 に調整した場合でも、XGBoost が総合的に優れ（F5 スコア 0.642、Accuracy 0.964、AUROC 0.930、Recall 0.634、Precision 0.953；表 4）、LightGBM も同様のバランスのよい成績を示した。以上より、訓練データを用いた内部評価の段階では、XGBoost およびLightGBM を有望モデルと判断し、保持アウトテストデータでの検証に進めた。
元のページ ../index.html#194