[論文レビュー] Towards Wide Learning: Experiments in Healthcare

Snehasis Banerjee, Tanushyam Chattopadhyay+5 more|arXiv (Cornell University)|Dec 17, 2016

Phonocardiography and Auscultation Techniques参考文献 5被引用数 3

ひとこと要約

本稿では、医療機械学習における特徴工学の自動化を目的として、階層的特徴リストとハイブリッド特徴選択（mRMRおよびMRMS）を組み合わせたWide Learningアーキテクチャを提案する。SVMを用いた実験で、わずか3人日でPhysioNet Challenge優勝スコアの94.38％の精度を達成し、2つのデータセットにおいて最先端手法を上回り、特徴の解釈可能性と人間が理解可能な形で、著しく少ない作業量で実現した。

ABSTRACT

In this paper, a Wide Learning architecture is proposed that attempts to automate the feature engineering portion of the machine learning (ML) pipeline. Feature engineering is widely considered as the most time consuming and expert knowledge demanding portion of any ML task. The proposed feature recommendation approach is tested on 3 healthcare datasets: a) PhysioNet Challenge 2016 dataset of phonocardiogram (PCG) signals, b) MIMIC II blood pressure classification dataset of photoplethysmogram (PPG) signals and c) an emotion classification dataset of PPG signals. While the proposed method beats the state of the art techniques for 2nd and 3rd dataset, it reaches 94.38% of the accuracy level of the winner of PhysioNet Challenge 2016. In all cases, the effort to reach a satisfactory performance was drastically less (a few days) than manual feature engineering.

研究の動機と目的

• 医療機械学習における特徴工学の時間と専門知識を要するプロセスを自動化すること。
• 因果関係分析とドメイン知識の統合を支援する階層的で解釈可能な特徴推薦システムを開発すること。
• 臨床アナリティクスにおける高精度なMLモデル構築に要する作業量を数か月から数日へ削減すること。
• 深層学習やPCAを含む最先端手法を、解釈可能な特徴を伴って、実世界の医療データセットで上回ること。

提案手法

• 本手法は階層的特徴リストを用いる：レベル0には時領域、フーリエ変換ベース（STFT）、ウェーブレット変換ベース（DWT）の特徴が含まれる。レベル1にはスペクトル、統計、ピーク・トレフ特徴が追加される。レベル2ではレベル1の特徴の比と微分を計算する。
• DWT特徴抽出の最適化を図るため、エネルギー対エントロピー比を用いた自動的な母ウェーブレット選択を実施する。
• 特徴選択にはmRMR（相互情報量を用いた冗長性の低減と関連性の最大化）とMRMS（ファジィ・ラフ集合に基づく関連性と重要度スコアリング）を組み合わせ、最適な特徴サブセットを同定する。
• 最終的な特徴セットはmRMRとMRMSの出力の和集合であり、サイズkは反復的に選択され、SVMを用いたさまざまなカーネルで評価される。
• 性能評価は、p=5–10のp分割交差検証後に非公開テストセットを用いた精度で実施され、比較としてTheanoベースのMLPとドロップアウトが用いられる。
• 本システムは、新しい特徴抽出アルゴリズムの統合を可能としており、特徴工学のための協働的エコシステムを支援する拡張性を有する。

実験結果

リサーチクエスチョン

• RQ1 自動特徴推薦システムは、医療機械学習タスクにおいて、手作業による特徴工学と同等の性能を達成できるか？
• RQ2 階層的特徴工学を組み合わせた提案されたWide Learningアーキテクチャは、限られた医療データセットにおいて、最先端手法（深層学習やPCAを含む）を上回るか？
• RQ3 本手法は、精度を維持または向上させながら、モデル開発に要する時間と専門知識を著しく削減できるか？
• RQ4 推奨される特徴はどの程度解釈可能であり、臨床的因果関係分析に適しているか？
• RQ5 mRMRとMRMSの統合は、個別の手法と比較して、特徴選択にどのように改善をもたらすか？

主な発見

• 提案手法は、PhysioNet Challenge 2016データセットで84％の精度を達成し、優勝スコア（0.89）の94.38％にまで到達した。作業時間はわずか3人日であり、手作業による特徴工学の120人日と比較して顕著な効率化を示した。
• MIMIC-II血圧分類データセットでは、87.8％の精度を達成し、最先端手法（79.5％）を上回り、MLP（50％）およびPCA+SVM（62.5％）の両方をも凌駆した。
• 自社内での感情分類データセットでは、90.9％の精度を達成し、最先端手法（82.3％）を上回り、MLP（50％）およびPCA+SVM（50％）の両方を著しく上回った。
• 開発作業量は、手作業による特徴工学の90–130人日から、わずか2–3人日へと削減され、著しい効率性の向上が示された。
• 深層学習やPCAとは異なり、本手法は解釈可能な特徴を生成するため、臨床的インサイトと因果関係分析が可能であり、医療応用において極めて重要である。
• mRMRとMRMSのハイブリッド使用により、関連性と重要度の補完的側面を捉えることができ、単独で使用する手法よりも性能が向上した。