[論文レビュー] Dataset Optimization for Chronic Disease Prediction with Bio-Inspired Feature Selection

Abeer Dyoub, Ivan Letteri|arXiv (Cornell University)|Dec 17, 2023

Artificial Intelligence in Healthcare被引用数 5

ひとこと要約

本研究では、遺伝的アルゴリズム（GA）、粒子群最適化（PSO）、シャチ最適化アルゴリズム（WOA）を用いた生物にインspiredされた特徴選択フレームワークを提案し、高次元の慢性疾患データセットにおける次元削減を実現することで、モデルの精度と解釈可能性を向上させた。GAが他のアルゴリズムを上回り、乳がん予測において2.8%の精度向上を達成した一方で、特徴数を30から12に削減し、学習時間を55%短縮した。

ABSTRACT

In this study, we investigated the application of bio-inspired optimization algorithms, including Genetic Algorithm, Particle Swarm Optimization, and Whale Optimization Algorithm, for feature selection in chronic disease prediction. The primary goal was to enhance the predictive accuracy of models streamline data dimensionality, and make predictions more interpretable and actionable. The research encompassed a comparative analysis of the three bio-inspired feature selection approaches across diverse chronic diseases, including diabetes, cancer, kidney, and cardiovascular diseases. Performance metrics such as accuracy, precision, recall, and f1 score are used to assess the effectiveness of the algorithms in reducing the number of features needed for accurate classification. The results in general demonstrate that the bio-inspired optimization algorithms are effective in reducing the number of features required for accurate classification. However, there have been variations in the performance of the algorithms on different datasets. The study highlights the importance of data pre-processing and cleaning in ensuring the reliability and effectiveness of the analysis. This study contributes to the advancement of predictive analytics in the realm of chronic diseases. The potential impact of this work extends to early intervention, precision medicine, and improved patient outcomes, providing new avenues for the delivery of healthcare services tailored to individual needs. The findings underscore the potential benefits of using bio-inspired optimization algorithms for feature selection in chronic disease prediction, offering valuable insights for improving healthcare outcomes.

研究の動機と目的

• 高次元の医療データの次元削減を通じて、慢性疾患分類における予測精度とモデルの解釈可能性を向上させること。
• GA、PSO、WOAといった生物にインspiredされた最適化アルゴリズムが、多様な慢性疾患データセットにおける特徴選択に果たす有効性を評価すること。
• 特徴選択が、精度、適合率、再現率、F1スコアといった指標におけるモデル性能に与える影響を調査すること。
• 特徴削減と予測性能の両立を図る最適なアルゴリズム設定とフィットネス関数設計を同定すること。
• より効率的で信頼性が高く、臨床的行動に繋がる疾患予測モデルを可能にすることで、早期介入と精密医療を支援すること。

提案手法

• 慢性疾患データセットにおける特徴選択に、遺伝的アルゴリズム（GA）、粒子群最適化（PSO）、シャチ最適化アルゴリズム（WOA）の3つの生物にインspiredされた最適化アルゴリズムを採用した。
• 分類精度を最優先とするフィットネス関数を設計し、性能を維持または向上させる最小の特徴サブセットを同定することを目的とした。
• 複数の分類器（例：決定木、SVM、ロジスティック回帰、ニューラルネットワーク）に選択された特徴サブセットを適用し、モデルタイプに跨る一般化性能を評価した。
• 2層の隠れ層（各10ニューロン）を持つニューラルネットワークを用い、特徴数が削減された状態での学習効率および収束特性を評価した。
• 標準化された性能指標を用いて、4つの慢性疾患—糖尿病、がん、腎臓疾患、循環器疾患—について比較分析を実施した。
• 特徴選択およびモデル学習の前段階で、データ品質と信頼性を確保するための包括的なデータ前処理を実施した。

実験結果

リサーチクエスチョン

• RQ1 GA、PSO、WOAは、慢性疾患予測において特徴数を削減しつつ、分類精度を維持または向上させる点で、どのように比較されるか？
• RQ2 特徴選択は、特にニューラルネットワークにおける学習時間および収束特性にどのような影響を及えるか？
• RQ3 フィットネス関数が精度のみに焦点を当てる場合、適合率、再現率、F1スコアといった他の指標への性能への影響はどの程度か？
• RQ4 データセット固有の特徴（例：特徴数、クラス分布）は、各生物にインspiredされたアルゴリズムの有効性にどのように影響を与えるか？
• RQ5 生物にインspiredな手法による特徴選択は、慢性疾患管理における臨床的解釈可能で行動可能な予測を可能にするか？

主な発見

• 遺伝的アルゴリズム（GA）が全体として最高のパフォーマンスを示し、F1スコアにおいて50%のケースでWOAおよびPSOを上回り、精度と特徴削減の両面で最良のバランスを示した。
• 乳がんデータセットでは、特徴数を30から12に削減することで、精度が2.8%向上し、学習時間が55%短縮された。これは顕著な効率性の向上を示している。
• PSOは世代を経てもフィットネスの向上が見られず、おそらくパrameter（w、c1、c2）の初期化が不適切だったため、ハイパーパrameterチューニングに敏感であると推測された。
• フィットネス関数が精度のみに焦点を当てるにもかかわらず、GAは全指標で強く性能を維持し、50%のケースでベースラインを上回るF1スコアを達成した。
• 特徴数が減ったからといって学習時間が必ずしも短縮されるわけではない—特に心不全データセットでは、特徴数が減少したにもかかわらず、学習サイクルが長くなった。これはモデルアーキテクチャへの感受性を示唆している。
• WOAは特徴数の削減において最も一貫性のある性能を示し（最低5特徴まで）、しかし大多数のケースでGAおよびPSOに比べて精度とF1スコアが低かった。