[論文レビュー] Automatic Detection of Diabetes Diagnosis using Feature Weighted Support Vector Machines based on Mutual Information and Modified Cuckoo Search

Davar Giveki, Hamid Salimi+2 more|arXiv (Cornell University)|Jan 10, 2012

Artificial Intelligence in Healthcare参考文献 18被引用数 48

ひとこと要約

本論文では、特徴選択に主成分分析（PCA）を、特徴量の重み付けに相互情報量を、最適なSVMパラメータチューニングに修正ククーサーチ（MCS）アルゴリズムを統合した、自動糖尿病診断を目的とした新規なMI-MCS-FWSVMフレームワークを提案する。本手法はUCI糖尿病データセットで93.58％の分類精度を達成し、精度および計算効率の両面で先行研究を上回った。

ABSTRACT

Diabetes is a major health problem in both developing and developed countries and its incidence is rising dramatically. In this study, we investigate a novel automatic approach to diagnose Diabetes disease based on Feature Weighted Support Vector Machines (FW-SVMs) and Modified Cuckoo Search (MCS). The proposed model consists of three stages: Firstly, PCA is applied to select an optimal subset of features out of set of all the features. Secondly, Mutual Information is employed to construct the FWSVM by weighting different features based on their degree of importance. Finally, since parameter selection plays a vital role in classification accuracy of SVMs, MCS is applied to select the best parameter values. The proposed MI-MCS-FWSVM method obtains 93.58% accuracy on UCI dataset. The experimental results demonstrate that our method outperforms the previous methods by not only giving more accurate results but also significantly speeding up the classification procedure.

研究の動機と目的

• 糖尿病の世界的な負担の増大に応えるため、自動的かつ高精度な診断システムの開発を目的とする。
• 特徴量の重み付けとパrameter最適化を通じて、糖尿病検出におけるサポートベクターマシン（SVM）の分類性能を向上させることを目的とする。
• 最適な特徴量の選択とSVMパrameterの効率的チューニングにより、計算負荷を低減することを目的とする。
• 主成分分析（PCA）、相互情報量、および修正ククーサーチを統合した包括的で効果的な分類パイプラインを構築することを目的とする。

提案手法

• 主成分分析（PCA）を用いて、元のデータセットからの最も情報量の多い特徴量のサブセットを選択し、次元削減を実施する。
• 相互情報量を用いて、糖尿病診断結果との関連性に基づき特徴量に重みを付与し、FWSVMモデルにおける特徴量の重要度を向上させる。
• 修正ククーサーチ（MCS）アルゴリズムを用いて、SVMのハイパーパrameter（Cおよびgamma）を最適化し、分類精度を最大化する。
• 特徴量重み付きSVM（FWSVM）は、重み付けされた特徴量を分類プロセスに統合し、関連する予測変数へのモデルの感受性を向上させる。
• PCA、特徴量の重み付け、およびMCSに基づくパrameterチューニングからなる全体のパイプラインを、UCI糖尿病データセットに逐次適用して性能を評価する。
• 最終的なモデルはUCI糖尿病データセットを用いて学習およびテストされ、精度、速度、耐障害性を評価する。

実験結果

リサーチクエスチョン

• RQ1 特徴量重み付きSVMモデルは、標準的なSVMと比較して、糖尿病診断の精度を向上させることができるか？
• RQ2 相互情報量は、糖尿病分類において最も関連性の高い特徴量を特定するのにどの程度有効であるか？
• RQ3 修正ククーサーチアルゴリズムは、このタスクにおけるSVMハイパーパrameterチューニングで、従来の手法を上回ることができるか？
• RQ4 PCA、特徴量の重み付け、およびMCSの統合は、より高速かつ高精度な分類を実現するか？
• RQ5 提案されたMI-MCS-FWSVMフレームワークは、既存の手法に比べてどの程度優れているか？

主な発見

• 提案されたMI-MCS-FWSVM手法は、UCI糖尿病データセットで93.58％の分類精度を達成し、高い診断性能を示した。
• 相互情報量による特徴量の重み付け統合により、モデルの関連する臨床的予測変数への注目能力が顕著に向上した。
• 修正ククーサーチアルゴリズムは、SVMパrameterの最適化を効果的に行い、精度の向上と高速収束に寄与した。
• PCAの活用により特徴量の次元数が低減され、予測力に損なわれることなく計算速度が向上した。
• 全体のフレームワークは、ベンチマークとしてのUCIデータセットを用いた検証を通じて、精度および計算効率の両面で先行手法を上回った。
• 結果から、特徴選択、知能的特徴量重み付け、メタヒューリスティックなパrameterチューニングの統合が、堅牢かつスケーラブルな糖尿病診断システムを構築可能であることが確認された。