[論文レビュー] Medical diagnosis using neural network

S. M. Kamruzzaman, Ahmed Ryadh Hasan+2 more|arXiv (Cornell University)|Sep 23, 2010

Neural Networks and Applications参考文献 7被引用数 36

ひとこと要約

本論文は、医療診断のための最適なニューラルネットワークアーキテクチャを、隠れユニットを1つずつ追加することで段階的に構築する修正型フィードフォワードニューラルネットワーク構築アルゴリズム（MFNNCA）を提案する。腫瘍、心疾患、糖尿病のデータセットでテストされた結果、MFNNCAは最小限のアーキテクチャで高い分類性能を達成し、人間の専門家と比較して優れた診断能力を示した。

ABSTRACT

This research is to search for alternatives to the resolution of complex medical diagnosis where human knowledge should be apprehended in a general fashion. Successful application examples show that human diagnostic capabilities are significantly worse than the neural diagnostic system. This paper describes a modified feedforward neural network constructive algorithm (MFNNCA), a new algorithm for medical diagnosis. The new constructive algorithm with backpropagation; offer an approach for the incremental construction of near-minimal neural network architectures for pattern classification. The algorithm starts with minimal number of hidden units in the single hidden layer; additional units are added to the hidden layer one at a time to improve the accuracy of the network and to get an optimal size of a neural network. The MFNNCA was tested on several benchmarking classification problems including the cancer, heart disease and diabetes. Experimental results show that the MFNNCA can produce optimal neural network architecture with good generalization ability.

研究の動機と目的

• 人間による医療診断の代替を提供し、誤りを低減し、一貫性を向上させること。
• 複雑な医療分類タスクにおける最小限かつ効果的なニューラルネットワークアーキテクチャを構築する課題に対処すること。
• 段階的に隠れユニットを追加することでネットワーク性能を最適化する構築アルゴリズムを構築すること。
• 実世界の医療データセット上でこの手法を評価し、一般化性能と診断精度を実証すること。
• ニューラルネットワークがパターン分類タスクにおいて人間の診断能力を上回ることを示すこと。

提案手法

• MFNNCAは、1つの隠れ層に最小限の隠れユニット数から開始する構築的アプローチを用いる。
• アルゴリズムは分類精度を向上させるために、段階的に1つの隠れユニットを追加する。
• 各隠れユニットの追加後にバックプロパゲーションを用いてネットワークを学習する。
• さらなる精度の向上が観察されないまでプロセスを継続し、近似的に最小のアーキテクチャを保証する。
• この手法は、優れた一般化性能を示す最適なネットワークサイズを達成することに焦点を当てる。
• アルゴリズムはがん、心疾患、糖尿病を含むベンチマーク医療データセットで評価された。

実験結果

リサーチクエスチョン

• RQ1 構築的ニューラルネットワークアルゴリズムは、医療診断において一般化性能が高く、近似的に最小のアーキテクチャを生成できるか？
• RQ2 固定アーキテクチャのネットワークと比較して、隠れユニットを段階的に追加することで分類精度が向上するか？
• RQ3 MFNNCAはパターン分類タスクにおいて人間の診断能力を上回ることができるか？
• RQ4 がん、心疾患、糖尿病などの実世界の医療データセットにおいて、このアルゴリズムはどの程度効果的か？
• RQ5 医療応用において、ネットワークサイズと診断精度のトレードオフは何か？

主な発見

• MFNNCAは、医療データセットで高い分類精度を達成する近似的に最小のニューラルネットワークアーキテクチャを成功裏に構築した。
• アルゴリズムは強力な一般化能力を示しており、未知のデータに対しても頑健であることを示している。
• 段階的構築プロセスは、最小限のアーキテクチャ成長で精度を効果的に向上させた。
• テストされたパターン分類タスクにおいて、この手法は人間の診断能力を上回った。
• アルゴリズムはがん、心疾患、糖尿病の3つのベンチマーク医療データセットで検証され、一貫した性能を示した。
• 最終的なネットワークアーキテクチャは最適なサイズに達しており、追加の隠れユニットによる精度の向上は認められなかった。