[論文レビュー] Heart Disease Prediction System using Associative Classification and Genetic Algorithm

M. Akhil jabbar, B. L. Deekshatulu+1 more|arXiv (Cornell University)|Mar 24, 2013

Data Mining Algorithms and Applications参考文献 10被引用数 59

ひとこと要約

本稿では、関連規則分類と遺伝的アルゴリズムを組み合わせることで、規則の発見精度と解釈可能性を向上させる心疾患予測システムを提案する。進化的手法により高関心度・高精度の分類規則を生成することで、医療データセット上で優れた予測性能を達成し、透明性があり実行可能なインサイトを提供することで、臨床意思決定を支援する。

ABSTRACT

Associative classification is a recent and rewarding technique which integrates association rule mining and classification to a model for prediction and achieves maximum accuracy. Associative classifiers are especially fit to applications where maximum accuracy is desired to a model for prediction. There are many domains such as medical where the maximum accuracy of the model is desired. Heart disease is a single largest cause of death in developed countries and one of the main contributors to disease burden in developing countries. Mortality data from the registrar general of India shows that heart disease are a major cause of death in India, and in Andhra Pradesh coronary heart disease cause about 30%of deaths in rural areas. Hence there is a need to develop a decision support system for predicting heart disease of a patient. In this paper we propose efficient associative classification algorithm using genetic approach for heart disease prediction. The main motivation for using genetic algorithm in the discovery of high level prediction rules is that the discovered rules are highly comprehensible, having high predictive accuracy and of high interestingness values. Experimental Results show that most of the classifier rules help in the best prediction of heart disease which even helps doctors in their diagnosis decisions.

研究の動機と目的

• データ駆動型技術を用いて、早期の心疾患予測のための高精度な意思決定支援システムを開発すること。
• 既存の医療予測モデルにおける低い解釈可能性と最適でない精度の課題に対処すること。
• 精度、理解可能性、興味深さのバランスをとった規則発見を実現するため、関連規則分類と遺伝的アルゴリズムを統合すること。
• インドの地方地域、特に発展途上地域のアンドラ・プラデーシュで高い医療負担がかかる状況を想定し、実世界の医療データを用いてシステムを評価すること。
• 医師が自信をもって心疾患の診断を支援できる、実行可能で人間が読みやすい規則を提供すること。

提案手法

• 本システムは、関連規則マイニングと分類を統合する関連規則分類を採用し、患者データから予測規則を生成する。
• 遺伝的アルゴリズムを用いて、精度と興味深さを最大化することを目的とした高水準の分類規則を進化・最適化する。
• 規則は遺伝的アルゴリズムの染色体として符号化され、適合度は精度、再現率、サポート指標に基づいて評価される。
• 選択、交差、突然変異を繰り返し適用することで、最適な規則の組み合わせを特定するルール集合を段階的に進化させる。
• 最終的なルール集合は、予測性能と解釈可能性に基づいて刈り込み・順位付けされ、臨床利用に適した形に整えられる。
• 本手法は標準的な心疾患データセットを用いて評価され、ベースライン分類手法と比較された。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズムは、心疾患診断における予測精度の向上を図るために、関連規則分類規則を効果的に最適化できるか？
• RQ2 進化した規則は、従来の分類器と比較して優れた性能を示しながらも、高い解釈可能性を維持できるか？
• RQ3 発見された規則は、患者データにおける臨床的に意味のあるパターンをどの程度反映しているか？
• RQ4 遺伝的最適化の統合により、分類規則の興味深さと信頼性はどのように向上するか？
• RQ5 本システムは、透明性がありルールベースの出力を提供することで、リアルタイムの臨床意思決定を支援できるか？

主な発見

• 提案手法はベースライン分類器よりも高い予測精度を達成し、テストデータ上でのルール集合の性能が顕著に優れていた。
• 遺伝的アルゴリズムにより、高精度かつ高再現率のルール集合が効果的に生成され、信頼できる予測能力を示した。
• 発見されたルールは非常に解釈可能であり、臨床医が予測の根拠を理解できるようになった。
• 最終的なルールの大部分は臨床的に関連性が高く、心疾患の既知のリスク要因と一致していた。
• 進化的な探索による規則品質の最適化により、標準的な関連規則分類器よりも本システムが優れた性能を示した。
• 結果から、遺伝的最適化と関連規則分類の統合が、精度と臨床的実用性の両方を向上させることを確認した。