[論文レビュー] Feature selection for medical diagnosis: Evaluation for using a hybrid Stacked-Genetic approach in the diagnosis of heart disease

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

Artificial Intelligence in Healthcare参考文献 47被引用数 9

ひとこと要約

本論文では、アンサンブル学習と遺伝的アルゴリズムを組み合わせることで、心疾患診断の精度を向上させるハイブリッドスタックド・ジェネティック特徴選択手法を提案する。特徴サブセットの最適化により、97.57%の精度を達成し、健康な患者と病変を有する患者を区別する上で、トランチウムスキャンと血管閉塞が予測能が最も高い特徴であることが特定された。

ABSTRACT

Background and purpose: Heart disease has been one of the most important causes of death in the last 10 years, so the use of classification methods to diagnose and predict heart disease is very important. If this disease is predicted before menstruation, it is possible to prevent high mortality of the disease and provide more accurate and efficient treatment methods. Materials and Methods: Due to the selection of input features, the use of basic algorithms can be very time-consuming. Reducing dimensions or choosing a good subset of features, without risking accuracy, has great importance for basic algorithms for successful use in the region. In this paper, we propose an ensemble-genetic learning method using wrapper feature reduction to select features in disease classification. Findings: The development of a medical diagnosis system based on ensemble learning to predict heart disease provides a more accurate diagnosis than the traditional method and reduces the cost of treatment. Conclusion: The results showed that Thallium Scan and vascular occlusion were the most important features in the diagnosis of heart disease and can distinguish between sick and healthy people with 97.57% accuracy.

研究の動機と目的

• 機械学習を用いて心疾患診断の精度と効率を向上させること。
• 高次元の医療データの課題に応じて、予測性能を損なわず特徴空間を削減すること。
• 医療診断分野における分類モデルの性能を向上させる、頑健な特徴選択手法の開発。
• ハイブリッドスタックド・ジェネティック手法の有効性を、心疾患予測に最も関連する特徴を特定する観点から評価すること。

提案手法

• 本手法は、最適な特徴サブセットを探索するため、ラッパー型の特徴選択戦略を遺伝的アルゴリズムを用いて実装する。
• 複数のベースラーナーを統合することで分類性能を向上させるアンサンブル学習技術を統合する。
• 分類精度に基づいて、選択、交差、突然変異の操作を経て、候補となる特徴サブセットを進化させる遺伝的アルゴリズムを用いる。
• 複数のベース分類器の予測結果からメタ学習を行うスタックドアンサンブルモデルを用い、全体の頑健性を向上させる。
• バリデーションデータにおける分類精度を最大化するように、特徴選択はフィットネス関数に従ってガイドされる。
• 本手法は、実世界の医療データを用いた公開された心疾患データセットに適用され、性能が評価された。

実験結果

リサーチクエスチョン

• RQ1 従来の特徴選択手法と比較して、ハイブリッドスタックド・ジェネティック手法は心疾患診断の精度を向上させることができるか？
• RQ2 本ハイブリッドモデルの文脈において、どの特徴が心疾患に対して最も予測能が高いか？
• RQ3 アンサンブル学習と遺伝的アルゴリズムに基づく特徴選択の統合が、モデル性能にどのように影響を与えるか？
• RQ4 本手法による次元削減は、診断精度を保持または向上させる程度はどの程度か？
• RQ5 トランチウムスキャンや血管閉塞といった個々の臨床的特徴が、最終モデルにおいて相対的にどの程度の重要度を有するか？

主な発見

• ハイブリッドスタックド・ジェネティック手法は、心疾患診断において97.57%の分類精度を達成した。
• トランチウムスキャンと血管閉塞が、健康な患者と病変を有する患者を区別する上で、最も顕著な特徴であることが同定された。
• 特徴選択プロセスにより次元削減が顕著に実現されたが、高い予測性能は維持された。
• アンサンブル学習のコンponentは、最終モデルの頑健性と一般化性能の向上に寄与した。
• 遺伝的アルゴリズムは、特徴空間を効果的に探索し、優れた性能を示す特徴サブセットに収束した。
• 進化的計算とスタックドアンサンブル学習の長所を組み合わせることで、本手法はベースライン手法を上回った。