[論文レビュー] Deep Neural Network Based Ensemble learning Algorithms for the healthcare system (diagnosis of chronic diseases)

Jafar Abdollahi, Babak Nouri-Moghaddam+1 more|arXiv (Cornell University)|Mar 15, 2021

Artificial Intelligence in HealthcareHealth Professions被引用数 20

ひとこと要約

本論文は、糖尿病、心臓病、がんなどの慢性疾患を診断するための深層ニューラルネットワークベースのアンサンブル学習フレームワークを提案する。実際のUCI医療データセットを用いて複数の深層ニューラルネットワークをアンサンブル戦略で統合することで、糖尿病、心臓病、がん分類においてそれぞれ98.5%、99%、100%の正確性を達成し、ベースラインモデルを上回る優れた性能を示した。

ABSTRACT

learning algorithms. In this paper, we review the classification algorithms used in the health care system (chronic diseases) and present the neural network-based Ensemble learning method. We briefly describe the commonly used algorithms and describe their critical properties. Materials and Methods: In this study, modern classification algorithms used in healthcare, examine the principles of these methods and guidelines, and to accurately diagnose and predict chronic diseases, superior machine learning algorithms with the neural network-based ensemble learning Is used. To do this, we use experimental data, real data on chronic patients (diabetes, heart, cancer) available on the UCI site. Results: We found that group algorithms designed to diagnose chronic diseases can be more effective than baseline algorithms. It also identifies several challenges to further advancing the classification of machine learning in the diagnosis of chronic diseases. Conclusion: The results show the high performance of the neural network-based Ensemble learning approach for the diagnosis and prediction of chronic diseases, which in this study reached 98.5, 99, and 100% accuracy, respectively.

研究の動機と目的

• 医療分野における機械学習を用いた慢性疾患診断の正確性と信頼性を向上させること。
• 深層ニューラルネットワークベースのアンサンブル学習の有効性を、慢性疾患分類に応用することの検証。
• 実世界の医療データ上で、アンサンブルモデルの性能をベースライン分類アルゴリズムと評価・比較すること。
• 臨床現場における慢性疾患予測のための機械学習の導入における主な課題を特定すること。

提案手法

• 本研究では、分類性能を向上させるために、複数の深層ニューラルネットワークを統合するハイブリッドアンサンブル学習アプローチを採用する。
• モデルは、糖尿病、心臓病、がん患者の実世界のUCIデータセットを用いて学習される。
• アンサンブル戦略により、個々の深層ニューラルネットワークの予測を統合することで、モデルの頑健性と正確性が向上する。
• すべてのデータセットでモデル性能を最適化するために、ハイパーパrameterチューニングと交差検証が用いられる。
• 特徴抽出および分類に、完全結合型およびフィードフォワードネットワークを含む深層学習アーキテクチャがフレームワークで活用される。
• 正確性、適合率、再現率、F1スコアといった標準指標を用いて性能が評価される。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークベースのアンサンブル学習アプローチは、従来の機械学習モデルを上回って慢性疾患を診断できるか？
• RQ2 実際の医療データセットを用いたアンサンブル深層学習により、糖尿病、心臓病、がん分類でどの程度の正確性が達成できるか？
• RQ3 異なるアンサンブル戦略は、疾患予測モデルの一般化性能および頑健性にどのように影響するか？
• RQ4 臨床診断システムへの深層学習アンサンブルの適用における主な課題は何か？

主な発見

• 提案された深層ニューラルネットワークベースのアンサンブルモデルは、UCIデータセットを用いた糖尿病診断で98.5%の正確性を達成した。
• 心臓病分類では99%の正確性に達し、ベースラインアルゴリズムを上回った。
• がん症例の分類では完璧な100%の正確性を達成し、強力な予測能力を示した。
• アンサンブル学習は、3つの慢性疾患データセットすべてにおいてモデルの安定性と一般化性能を顕著に向上させた。
• 研究では、データのアンバランス、モデルの解釈可能性、臨床現場への導入が、実世界応用における主な課題であると特定した。