[論文レビュー] Hybrid stacked ensemble combined with genetic algorithms for Prediction of Diabetes

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

Artificial Intelligence in Healthcare参考文献 49被引用数 5

ひとこと要約

本研究では、実世界のインド人糖尿病データを用いて、高い精度で糖尿病を予測するため、遺伝的アルゴリズムで最適化されたハイブリッドスタックドアンサンブルモデルを提案する。スタッキングを用いて複数のベースラーナーを統合し、遺伝的アルゴリズムでメタラーナーの重みを最適化することで、疾患予測の正確性が98.8%に達し、早期診断および医療介入の強化に優れた性能を示した。

ABSTRACT

Diabetes is currently one of the most common, dangerous, and costly diseases in the world that is caused by an increase in blood sugar or a decrease in insulin in the body. Diabetes can have detrimental effects on people's health if diagnosed late. Today, diabetes has become one of the challenges for health and government officials. Prevention is a priority, and taking care of people's health without compromising their comfort is an essential need. In this study, the Ensemble training methodology based on genetic algorithms are used to accurately diagnose and predict the outcomes of diabetes mellitus. In this study, we use the experimental data, real data on Indian diabetics on the University of California website. Current developments in ICT, such as the Internet of Things, machine learning, and data mining, allow us to provide health strategies with more intelligent capabilities to accurately predict the outcomes of the disease in daily life and the hospital and prevent the progression of this disease and its many complications. The results show the high performance of the proposed method in diagnosing the disease, which has reached 98.8%, and 99% accuracy in this study.

研究の動機と目的

• 高度な機械学習技術を用いて糖尿病予測の正確性を向上させること。
• 糖尿病の遅い診断が深刻な健康合併症を引き起こすという課題に対処すること。
• 患者の快適性を損なわず、耐障害性の高い知的システムを構築し、早期発見を支援すること。
• メタラーナーの重み選択に最適化するため、遺伝的アルゴリズムとスタックドアンサンブル学習を統合すること。
• カリフォルニア大学の糖尿病データセットから得られる実世界の臨床データを用いて、モデルを検証すること。

提案手法

• フレームワークは、複数のベース分類器（例：SVM、ランダムフォレスト、XGBoost）をレベル0のラーナーとして組み合わせるスタッキングアンサンブルアーキテクチャを採用する。
• ベースモデルからのメタ特徴量がスタックされ、レベル1のメタラーナー（例：ロジスティック回帰またはニューラルネットワーク）の入力として使用される。
• 遺伝的アルゴリズムを用いて、予測誤差を最小化するようにメタラーナーの重みを最適化する。重みの組み合わせの集団を進化させることで、最適な重みを探索する。
• 遺伝的アルゴリズムにおけるフィットネス関数は分類正確性に基づき、複数世代にわたり選択、交差、突然変異の操作が適用される。
• 最終的なモデルは、公に利用可能なベンチマークデータセットとしてのピマインディアンズ糖尿病データセットを用いて学習される。
• モデルの性能は、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評価される。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズム最適化を施したハイブリッドスタックドアンサンブルは、個々のモデルと比較して糖尿病予測の正確性を向上させることができるか？
• RQ2 遺伝的アルゴリズムは、糖尿病予測における一般化性能の向上に向け、メタラーナーの重みを効果的にチューニングできるか？
• RQ3 本手法は、ピマインディアンズ糖尿病データセットからの実世界の臨床データにおいて、どの程度の性能を示すか？
• RQ4 遺伝的アルゴリズムとスタッキングの統合は、糖尿病分類における過学習を低減し、耐障害性を向上させるか？
• RQ5 本手法は、臨床現場における糖尿病の早期かつ正確な診断をどの程度支援できるか？

主な発見

• 提案された遺伝的アルゴリズム最適化付きハイブリッドスタックドアンサンブルは、ピマインディアンズ糖尿病データセットで98.8%の予測正確性を達成した。
• モデルは糖尿病の予後を99%の正確性で分類した。これは、強力な一般化性能と耐障害性を示している。
• 遺伝的アルゴリズムはメタラーナーの重みを効果的に最適化し、ベースラインのスタッキングおよび個々のモデルと比較して性能が向上した。
• SVM、ランダムフォレスト、XGBoostといった従来の機械学習モデルと比較して、正確性およびF1スコアの両面で本手法が優れた性能を示した。
• 高い正確性は、早期糖尿病スクリーニングおよび予防医療戦略における臨床的導入の強力な可能性を示唆している。
• 結果から、スタッキングと進化的最適化を統合することで、医療診断タスクにおける予測性能が向上することが確認された。