[論文レビュー] On Deep Neural Networks for Detecting Heart Disease

Nathalie-Sofia Tomov, Stanimire Tomov|arXiv (Cornell University)|Jan 1, 2018

Artificial Intelligence in Healthcare参考文献 8被引用数 20

ひとこと要約

本論文では、日常的臨床データを用いた心疾患の検出を最適化した、5層構造の新規深層ニューラルネットワーク（DNN）アーキテクチャであるHEARO-5を提案する。ハイパラメータチューニング、L2正則化、欠損データおよび外れ値の堅牢な処理を適用することで、Cleveland心疾患データセットにおいて99%の精度と0.98のマチウズ相関係数（MCC）を達成し、既存手法を顕著に上回った。

ABSTRACT

Heart disease is the leading cause of death, and experts estimate that approximately half of all heart attacks and strokes occur in people who have not been flagged as "at risk." Thus, there is an urgent need to improve the accuracy of heart disease diagnosis. To this end, we investigate the potential of using data analysis, and in particular the design and use of deep neural networks (DNNs) for detecting heart disease based on routine clinical data. Our main contribution is the design, evaluation, and optimization of DNN architectures of increasing depth for heart disease diagnosis. This work led to the discovery of a novel five layer DNN architecture - named Heart Evaluation for Algorithmic Risk-reduction and Optimization Five (HEARO-5) -- that yields best prediction accuracy. HEARO-5's design employs regularization optimization and automatically deals with missing data and/or data outliers. To evaluate and tune the architectures we use k-way cross-validation as well as Matthews correlation coefficient (MCC) to measure the quality of our classifications. The study is performed on the publicly available Cleveland dataset of medical information, and we are making our developments open source, to further facilitate openness and research on the use of DNNs in medicine. The HEARO-5 architecture, yielding 99% accuracy and 0.98 MCC, significantly outperforms currently published research in the area.

研究の動機と目的

• 症状のないまたは誤診された患者に対する心疾患診断の精度を向上させること。
• AHA指針のような線形リスクモデルの限界を解決すること。これらのモデルはリスク要因間の複雑で非線形な相互作用を単純化しすぎている。
• 臨床データ内の複雑で非線形な関係を学習できるように、深層ニューラルネットワークアーキテクチャを設計・最適化すること。
• 欠損データおよび外れ値を効果的に処理できる、堅牢でオープンソースのDNNフレームワーク（HEARO）を構築すること。これにより汎化性能と臨床応用性が向上する。

提案手法

• 本研究では、深さを変動させる（2〜10層）柔軟な完全結合DNNフレームワークを採用し、網羅的なハイパラメータサーチにより最適化した。
• 過学習を低減し汎化性能を向上させるために、L2正則化を適用し、ハイパラメータα ∈ {0, 0.7, 1}を用いた。
• 層サイズ（1〜13ニューロン）、学習率（λ ∈ {0.001, 0.01, 0.1}）、L2正則化強度（α）、バッチサイズ（nb）、トレーニングエポック数（6000）の広範な探索空間を定義した。
• モデルはk分割交差検証を用いてトレーニングおよび検証され、バランスの取れた性能評価のためマチウズ相関係数（MCC）を用いて評価した。
• Pythonで実装され、線形代数にはNumPyが使用され、最適化されたBLAS/GEMMバックエンドへの移植性が確保された。
• 最終的なHEARO-5アーキテクチャは、実証的最適化に基づき選定され、構成 [5, 9, 7, 5, 3, 1, 1, 1, 1, 1, 2, 0.01, 0.7, 200, 6000] が最良の結果をもたらした。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、日常的臨床データを用いて、従来の線形リスクモデルをはるかに上回る心疾患診断の精度を実現できるか？
• RQ2 小さなノイズの多い医療データセットにおいて、正則化は汎化性能とテストデータでの性能にどのように影響するか？
• RQ3 Clevelandデータセットにおける心疾患検出に最適なDNNアーキテクチャの深さと幅は何か？
• RQ4 ハイパラメータチューニングおよび欠損データ／外れ値の堅牢な処理により、診断予測において最先端の性能が達成可能か？
• RQ5 交差検証とMCCにより確認されたように、提案されたHEARO-5モデルは異なるデータ分割に対して良好に一般化するか？

主な発見

• HEARO-5は99%のテスト精度と0.98のマチウズ相関係数（MCC）を達成し、バランスの取れた高精度な分類を示した。
• 以前に発表された手法（76%精度のニューラルネットワーク、95.4%精度のランダムフォレスト）を顕著に上回った。
• α = 0.7の正則化により過学習が軽減され、テスト精度が非正則化時（93%）から99%に向上し、汎化性能の向上が示された。
• 非正則化モデルではトレーニング精度が99%であったが、テスト精度は93%にとどまり、ノイズおよび外れ値への過学習が示された。
• k分割交差検証により、HEARO-5の性能が安定的かつ一貫的であることが確認され、交差検証精度がテスト精度と非常に近い値を示した。
• HEARO-5アーキテクチャは正則化により欠損データおよび外れ値を効果的に処理し、データ補完を伴わずして高い性能を維持した。