[論文レビュー] Coronary Heart Disease Diagnosis Based on Improved Ensemble Learning

Kuntoro Adi Nugroho, Noor Akhmad Setiawan+1 more|arXiv (Cornell University)|Jul 6, 2020

Artificial Intelligence in Healthcare参考文献 40被引用数 4

ひとこと要約

本研究では、冠動脈疾患の診断のためのハイブリッドカスケードアンサンブル学習法を提案する。ベースラーナーとしてナイーブベイズを用い、メタラーナーとしてC4.5とRIPPERを組み合わせ、アンサンブル構築にバギングとランダムサブスペースを用いる。カスケード一般化とローブルカップリング戦略により、単体のアルゴリズムやRotation Forestと比較して診断精度が顕著に向上したが、ベースモデル間の多様性は低下した。

ABSTRACT

Accurate diagnosis is required before performing proper treatments for coronary heart disease. Machine learning based approaches have been proposed by many researchers to improve the accuracy of coronary heart disease diagnosis. Ensemble learning and cascade generalization are among the methods which can be used to improve the generalization ability of learning algorithm. The objective of this study is to develop heart disease diagnosis method based on ensemble learning and cascade generalization. Cascade generalization method with loose coupling strategy is proposed in this study. C4. 5 and RIPPER algorithm were used as meta-level algorithm and Naive Bayes was used as baselevel algorithm. Bagging and Random Subspace were evaluated for constructing the ensemble. The hybrid cascade ensemble methods are compared with the learning algorithms in non-ensemble mode and non-cascade mode. The methods are also compared with Rotation Forest. Based on the evaluation result, the hybrid cascade ensemble method demonstrated the best result for the given heart disease diagnosis case. Accuracy and diversity evaluation was performed to analyze the impact of the cascade strategy. Based on the result, the accuracy of the classifiers in the ensemble is increased but the diversity is decreased.

研究の動機と目的

• 機械学習を用いて冠動脈疾患の診断精度を向上させること。
• カスケード一般化とアンサンブル学習が診断性能に与える影響を調査すること。
• 提案されたハイブリッドカスケードアンサンブル手法を、アンサンブル化されていないおよびカスケード化されていないベースラインモデルと比較すること。
• アンサンブル分類器における精度と多様性のトレードオフを評価すること。
• 医療診断におけるカスケード一般化のローブルカップリング戦略の有効性を示すこと。

提案手法

• 本研究では、複数のベースラーナーを統合するために、ローブルカップリング戦略を用いたカスケード一般化フレームワークを採用する。
• 個々の分類器として、ナイーブベイズをベースレベルの学習アルゴリズムとして用いる。
• C4.5とRIPPERを、ベースモデルからの予測を統合するメタレベルのアルゴリズムとして適用する。
• バギングとランダムサブスペースを用いて、多様かつ頑健なベースアンサンブルメンバーを構築する。
• ハイブリッドカスケードアンサンブル手法は、一般化を向上させるために二段階の学習アーキテクチャを通じて予測を統合する。
• 本手法は、比較的性能評価のため、アンサンブル化されていないモデルおよびRotation Forestと比較して評価される。

実験結果

リサーチクエスチョン

• RQ1 提案されたカスケードアンサンブル手法は、個々の学習アルゴリズムと比較して、冠動脈疾患の診断精度を向上させるか？
• RQ2 カスケード一般化におけるローブルカップリングの使用が、アンサンブルの性能に与える影響は何か？
• RQ3 提案されたアンサンブルモデルにおける精度と多様性のトレードオフは何か？
• RQ4 ハイブリッドカスケードアンサンブル手法は、冠動脈疾患の診断においてRotation Forestと比較してどのように異なるか？
• RQ5 バギングとランダムサブスペースは、アンサンブルの頑健性にどの程度寄与しているか？

主な発見

• 提案されたハイブリッドカスケードアンサンブル手法は、評価されたすべての手法の中で、指定された冠動脈疾患データセットにおいて最高の診断精度を達成した。
• カスケード一般化戦略のおかげで、アンサンブル内の個々の分類器の精度が向上した。
• 精度の向上にもかかわらず、ベース分類器間の多様性は低下しており、性能とアンサンブルの多様性のトレードオフが示された。
• 本手法は、アンサンブル化されていないモデルおよびRotation Forestの両方と比較して、分類精度の面で優れていた。
• バギングとランダムサブスペースの使用は、多様で安定したベースラーナーの構築に効果的に寄与した。
• 結果から、ローブルカップリングを用いたカスケード一般化が、医療診断タスクにおける一般化能力を向上させることを確認した。