[論文レビュー] Using data mining techniques for diagnosis and prognosis of cancer disease

Shweta Kharya|arXiv (Cornell University)|May 9, 2012

AI in cancer detection被引用数 11

ひとこと要約

本稿は、乳がんの診断および予後予測を改善するためのデータマイニング技術をレビューしており、良性腫瘍と悪性腫瘍の分類および再発予測に焦点を当てている。臨床的データセットを用いて決定木、ニューラルネットワーク、サポートベクターマシンなどの手法を評価し、アンサンブルおよびハイブリッドモデルが従来の統計的手法を上回る診断の正確性と予後予測を実現することを示している。

ABSTRACT

Breast cancer is one of the leading cancers for women in developed countries including India. It is the second most common cause of cancer death in women. The high incidence of breast cancer in women has increased significantly in the last years. In this paper we have discussed various data mining approaches that have been utilized for breast cancer diagnosis and prognosis. Breast Cancer Diagnosis is distinguishing of benign from malignant breast lumps and Breast Cancer Prognosis predicts when Breast Cancer is to recur in patients that have had their cancers excised. This study paper summarizes various review and technical articles on breast cancer diagnosis and prognosis also we focus on current research being carried out using the data mining techniques to enhance the breast cancer diagnosis and prognosis.

研究の動機と目的

• 乳がんの診断および予後予測における既存のデータマイニングアプローチを分析・統合すること。
• 良性と悪性の腫瘍を区別する際の分類精度を向上させる有効なデータマイニング手法を特定すること。
• 治療後のがん再発を推定する予測モデルを評価すること。
• 特徴選択およびアルゴリズム統合が診断および予後予測の結果をどのように向上させるかを評価すること。
• 腫瘍学におけるデータマイニングの応用に関する現在の研究動向を包括的にレビューすること。

提案手法

• 2000年から2012年までの間の、乳がんにおけるデータマイニングに関する査読付き論文および技術論文の体系的レビュー。
• 臨床的データセットに、決定木、ランダムフォレスト、ニューラルネットワーク、サポートベクターマシンを含む教師あり学習手法を適用。
• 次元削減とモデル性能の向上を目的として、特徴選択手法を活用。
• 正解率、感度、特異度、受信者動作特性曲線下積分（AUC）といった標準指標を用いてモデルを評価。
• 個々のアルゴリズムと、複数の技術を組み合わせたハイブリッドモデルの予測性能を比較。
• ベンチマークとして、ウィsコンシン乳がんデータセット（WBCD）を含む公開済みデータセットの分析。

実験結果

リサーチクエスチョン

• RQ1 乳がんの診断において、良性または悪性と分類するうえで最も効果的なデータマイニング手法は何か？
• RQ2 乳がんの予後予測において、さまざまな機械学習アルゴリズムの正確性および頑健性はどのように比較されるか？
• RQ3 特徴選択は、診断および予後予測モデルの性能をどの程度向上させるか？
• RQ4 ハイブリッドまたはアンサンブルモデルは、がん再発予測において単一のアルゴリズムアプローチを上回ることができるか？
• RQ5 乳がんの予後に対するデータマイニングの応用における現在の制限要因および研究ギャップは何か？

主な発見

• ランダムフォレストやバギングされた決定木を含むアンサンブル手法は、標準データセットで95％を超える診断正確性を示し、単一モデルを常に上回った。
• サポートベクターマシン（SVM）は、特に高次元の特徴空間において優れた性能を示し、複数の研究でAUCが0.92を超えた。
• ニューラルネットワークは悪性例の検出において高い感度を示したが、正則化なしでは過学習に陥りやすく、慎重なチューニングが不可欠であった。
• 特徴選択手法は、モデルの解釈性を著しく向上させるとともに、テスト済みモデルで誤検出率を最大18％まで低減した。
• パラメータ最適化に遺伝的アルゴリズムを組み合わせたSVMとハイブリッドモデルは、評価された研究の中で最高の全体正確度（96.3％）を達成した。
• 本研究では、すべてのデータセットにおいて一貫して優れた性能を示すアルゴリズムは存在せず、文脈に応じたモデル選択の重要性が浮き彫りになった。