[論文レビュー] An Ensemble Classifier for Predicting the Onset of Type II Diabetes

John Semerdjian, Spencer Frank|arXiv (Cornell University)|Aug 24, 2017

Artificial Intelligence in Healthcare参考文献 4被引用数 3

ひとこと要約

本研究では、NHANESアンケート調査データから得られる16のライフスタイルおよび人口統計的特徴量を用いて、タイプ2糖尿病発症を予測するためのアンサンブル分類器を提案する。アンサンブル手法を採用したが、勾配ブースティング分類器は単体でAUC 0.84を達成し、アンサンブルの0.834を上回った。これは、計算制約下でのモデル重み付けおよびハイパーパrameterチューニングの限界を示唆している。

ABSTRACT

Prediction of disease onset from patient survey and lifestyle data is quickly becoming an important tool for diagnosing a disease before it progresses. In this study, data from the National Health and Nutrition Examination Survey (NHANES) questionnaire is used to predict the onset of type II diabetes. An ensemble model using the output of five classification algorithms was developed to predict the onset on diabetes based on 16 features. The ensemble model had an AUC of 0.834 indicating high performance.

研究の動機と目的

• NHANESデータセットからの容易に入手可能なアンケートおよびライフスタイルデータを用いて、タイプ2糖尿病発症の予測精度を向上させること。
• 複数の分類器を統合するアンサンブルモデルを構築し、個々のモデルを上回る予測性能を実現すること。
• モデル出力の解釈を進め、特に早期疾患発見および予防医療分野における実世界の臨床的・公衆衛生的応用を可能にすること。
• データ補完とハイパーパrameterチューニングがモデル性能に与える影響を評価すること。
• チューニングの複雑さと特徴量重み付けの観点から、このデータセットにおいてアンサンブル手法が一貫して個々のモデルを上回るかどうかを特定すること。

提案手法

• 本研究では、1999年から2004年までの5,515件のNHANESアンケートサンプルを用い、年齢、BMI、ウエスト周囲、グルコース値、ライフスタイル要因を含む16の特徴量を選定した。
• ラベルは2つの基準に基づいて割り当てられた：自覚的糖尿病診断および血清グルコース値が126 mg/dLを超えること。後者の基準により4,600件のサンプルが糖尿病とラベル付けされた。
• 20%のテストセットを確保し、トレーニングセットでは10分割交差検証とグリッドサーチを用いてハイパーパrameterチューニングを実施した。
• SVM、ランダムフォレスト、勾配ブースティング、KNN、ロジスティック回帰の5つのベース分類器を個別に学習し、その予測確率をアンサンブルモデルで平均化した。決定閾値はチューニング可能であった。
• 特徴量全体で25%を超える欠損値がある場合、トレーニングセットからの平均（数値変数）および最頻値（カテゴリカル変数）を用いて補完した。
• アンサンブルモデルでは、個々のモデルの確率を重みなし平均化し、最終的な意思決定閾値を調整することで、糖尿病患者の再現率（リコール）を75%に保った。

実験結果

リサーチクエスチョン

• RQ1 NHANESアンケートデータを用いた場合、複数の分類器のアンサンブルは、個々のモデルに比べてタイプ2糖尿病発症の予測精度を向上させることができるか？
• RQ2 臨床的スクリーニング文脈において、感度（リコール）と特異度のバランスを取る最適な意思決定閾値は何か？
• RQ3 データ補完戦略とハイパーパrameterチューニングは、このデータセットにおけるモデル性能にどのように影響するか？
• RQ4 理論的利点があるにもかかわらず、なぜアンサンブルモデルは単体の勾配ブースティング分類器に劣ったのか？
• RQ5 アンケートベースのモデルはどの程度高いAUCを達成できるか？ 0.83～0.84はこのデータモダリティにおける実用的上限であると考えられるか？

主な発見

• アンサンブル分類器はAUC 0.834を達成し、アンケートデータからのタイプ2糖尿病発症予測において強力な識別性能を示した。
• 単体の勾配ブースティング分類器がアンサンブルを上回り、全モデル中最も高いAUC 0.84を記録した。
• ランダムフォレストが特定した上位5つの重要な特徴量は、年齢、ウエスト周囲、糖尿病家族歴、身長、総コレステロール値であった。
• 糖尿病患者のリコールを75%に保つために、閾値T=0.78が選択された。これは100人の実際の糖尿病患者のうち75人を正しく特定できたことを意味する。
• このリコール水準を達成するには、2,165人の患者を一時的に糖尿病疑いと通知する必要があり、そのうち55%が非糖尿病患者であった。これは感度と特異度のトレードオフを示している。
• 本研究では、現在の性能限界（AUC ~0.83～0.84）が、このデータセットにおける単純な分類器の上限に近い可能性があると示唆しており、データ補完が今後の主な改善分野であるとされている。