[論文レビュー] Hybrid clustering-classification neural network in the medical diagnostics of reactive arthritis

Yevgeniy Bodyanskiy, Olena Vynokurova+3 more|arXiv (Cornell University)|Oct 21, 2016

Advanced Scientific Research Methods参考文献 13被引用数 3

ひとこと要約

本論文では、非監視型クラスタリングと監視型分類を統合することで、重複するクラスの存在下でも診断精度を向上させるハイブリッドクラスタリング・分類ニューラルネットワークを提案する。コサインベースの類似度測定とファジィ推論手順を用いることで、自己学習メカニズムと適応的学習率を活用し、重複クラスの状況下でも性能を向上させる。実験的妥当性評価において高い診断効率を達成した。

ABSTRACT

The hybrid clustering-classification neural network is proposed. This network allows increasing a quality of information processing under the condition of overlapping classes due to the rational choice of a learning rate parameter and introducing a special procedure of fuzzy reasoning in the clustering process, which occurs both with an external learning signal (supervised) and without the one (unsupervised). As similarity measure neighborhood function or membership one, cosine structures are used, which allow to provide a high flexibility due to self-learning-learning process and to provide some new useful properties. Many realized experiments have confirmed the efficiency of proposed hybrid clustering-classification neural network; also, this network was used for solving diagnostics task of reactive arthritis.

研究の動機と目的

• 反応性関節炎の診断における課題、特に症状のクラスが重複する状況に対処すること。
• 不確実性やクラスの重複が生じる状況下でも、医療診断における情報処理の質を向上させること。
• より高い耐障害性を実現するため、教師あり学習と教師なし学習の両方を活用するニューラルネットワークの開発。
• クラスタリングプロセスにファジィ推論を統合し、柔軟性と意思決定の正確性を向上させること。

提案手法

• モデルは、非監視型クラスタリング段階と監視型分類段階を組み合わせたハイブリッドアーキテクチャを採用する。
• コサインベースの近傍関数を類似度測定に用い、トレーニング中における柔軟な自己学習適応を可能にする。
• クラスタリング段階で、不確実性や重複するクラス境界を扱うために特別なファジィ推論手順を導入する。
• 収束性と性能最適化を図るため、学習率を適応的に調整する。
• 外部（監視型）および内部（非監視型）の学習信号の両方を用いてネットワークを動作させる。
• 自己学習メカニズムを用いて、繰り返しクラスタ形成と分類意思決定を精緻化する。

実験結果

リサーチクエスチョン

• RQ1 重複する症状クラスが存在する状況下でも、ハイブリッドニューラルネットワークアーキテクチャが反応性関節炎の診断精度を向上させることができるか？
• RQ2 クラスタリング段階にファジィ推論を統合すると、分類性能にどのような影響を与えるか？
• RQ3 適応的学習率選択は、曖昧または重複する医療データを処理するモデルの能力をどの程度向上させるか？
• RQ4 コサインベースの類似度は、ニューラルネットワークの柔軟性と耐障害性を向上させる役割を果たすか？
• RQ5 非監視型クラスタリングと監視型分類の組み合わせは、医療診断分野において従来の単一モード手法をどのように上回るか？

主な発見

• 提案されたハイブリッドニューラルネットワークは、複数回の実験的妥当性評価において、反応性関節炎の診断において高い効率を示した。
• クラスタリングプロセスへのファジィ推論の統合により、重複クラス条件下での意思決定の正確性が顕著に向上した。
• コサインベースの類似度測定により、学習プロセスにおける柔軟性と適応性が向上した。
• 適応的学習率選択により、収束が速まり、モデルの安定性が向上した。
• 従来のクラスタリングのみまたは分類のみのアプローチよりも、診断精度と耐障害性の両面で優れた性能を発揮した。
• システムは、ラベル付き（監視型）およびラベルなし（非監視型）の両方のデータを有効に活用し、診断性能の向上に成功した。