[論文レビュー] Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network

Shadab Hussain, Nanda, Santosh Kumar+4 more|arXiv (Cornell University)|May 22, 2021

Artificial Intelligence in Healthcare参考文献 9被引用数 5

ひとこと要約

本論文では、臨床的患者パラメータを用いた早期心疾患予測のための新しい1次元畳み込みニューラルネットワーク（1D-CNN）アーキテクチャを提案する。モデルは97％の訓練精度と96％のテスト精度を達成し、正則化技術による過学習の効果的抑制により、未知のデータに対して優れた汎化性能を示し、従来の手法を上回る性能を発揮する。

ABSTRACT

Healthcare is one of the most important aspects of human life. Heart disease is known to be one of the deadliest diseases which is hampering the lives of many people around the world. Heart disease must be detected early so the loss of lives can be prevented. The availability of large-scale data for medical diagnosis has helped developed complex machine learning and deep learning-based models for automated early diagnosis of heart diseases. The classical approaches have been limited in terms of not generalizing well to new data which have not been seen in the training set. This is indicated by a large gap in training and test accuracies. This paper proposes a novel deep learning architecture using a 1D convolutional neural network for classification between healthy and non-healthy persons to overcome the limitations of classical approaches. Various clinical parameters are used for assessing the risk profile in the patients which helps in early diagnosis. Various techniques are used to avoid overfitting in the proposed network. The proposed network achieves over 97% training accuracy and 96% test accuracy on the dataset. The accuracy of the model is compared in detail with other classification algorithms using various performance parameters which proves the effectiveness of the proposed architecture.

研究の動機と目的

• 心疾患予測における従来の機械学習モデルの、未知の医療データへの汎化能力の制限を解決すること。
• 臨床的パラメータを活用する深層学習アーキテクチャを構築し、心疾患の早期診断を向上させること。
• 1D-CNNフレームワーク内で高度な正則化技術を用いて、医療分類モデルの過学習を低減すること。
• 訓練およびテストセットの両方で高い分類精度を達成することで、強力なモデルの汎化能力を示すこと。

提案手法

• 患者記録からの順序付き臨床的特徴を処理するための1次元畳み込みニューラルネットワークを設計する。
• 入力臨床データからの階層的パターンを抽出するために、複数の畳み込み層およびプーリング層を用いる。
• 過学習の防止と訓練の安定性向上のため、バッチ正則化とドロップアウト層を適用する。
• 二値分類のためのカテゴリーごとの交差エントロピー損失を用い、確率的勾配降下法でネットワークを訓練する。
• ハイパーパramータチューニングとデータ前処理を通じて、性能を向上させるためにアーキテクチャを最適化する。
• 汎化性能の向上を図るため、ドロップアウトやバッチ正則化などの正則化技術を統合する。

実験結果

リサーチクエスチョン

• RQ1 1D-CNNアーキテクチャは、従来の機械学習手法よりも、心疾患予測においてより高い汎化性能を達成できるか？
• RQ2 ドロップアウトやバッチ正則化などの正則化技術は、医療分野の深層学習モデルにおける過学習低減にどの程度効果的か？
• RQ3 臨床的心疾患データに対して1D-CNNを用いた場合、訓練およびテストセットでどの程度の精度が達成できるか？
• RQ4 提案されたモデルは、正確度、再現率、F1スコアの観点から、既存の分類アルゴリズムを上回るか？

主な発見

• 提案された1D-CNNモデルは、97％の訓練精度と96％のテスト精度を達成し、優れた性能と最小限の過学習を示している。
• 訓練精度とテスト精度の差が小さいことから、従来のアプローチに比べてモデルの汎化性能が優れていることが裏付けられている。
• ドロップアウトとバッチ正則化の統合により、過学習が顕著に低減され、モデルの頑健性が向上している。
• 比較評価を通じて、正確度、再現率、F1スコアの観点から、他の分類アルゴリズムを上回っていることが確認された。
• 臨床的パラメータを入力特徴量として用いることで、効果的なリスクプロファイリングと心疾患の早期診断が可能である。
• アーキテクチャは、表形式の臨床データから複雑な非線形パターンを学習するのに効果的であり、自動診断に適している。