[논문 리뷰] A Framework for Intelligent Medical Diagnosis using Rough Set with Formal Concept Analysis

B. K. Tripathy, Dipti Acharjya외 1명|arXiv (Cornell University)|2013. 01. 25.

Rough Sets and Fuzzy Logic인용 수 6

한 줄 요약

이 논문은 임상 데이터에서 유의미하고 해석 가능한 지식을 추출하면서 부적절한 의사결정 규칙을 최소화함으로써 지능형 의료 진단을 향상시키기 위해 날카운드 집합 이론과 형식적 개념 분석(FCA)을 융합한 하이브리드 프레임워크를 제안한다. 날카운드 집합을 이용한 초기 규칙 추출과 FCA를 통한 후처리를 통해 핵심 속성 간 관계를 식별함으로써, 이 프레임워크는 규칙의 복잡성을 감소시키고 복잡한 의료 데이터셋에서 진단 의사결정의 정확성과 해석 가능성 향상에 기여한다.

ABSTRACT

Medical diagnosis process vary in the degree to which they attempt to deal with different complicating aspects of diagnosis such as relative importance of symptoms, varied symptom pattern and the relation between diseases them selves. Based on decision theory, in the past many mathematical models such as crisp set, probability distribution, fuzzy set, intuitionistic fuzzy set were developed to deal with complicating aspects of diagnosis. But, many such models are failed to include important aspects of the expert decisions. Therefore, an effort has been made to process inconsistencies in data being considered by Pawlak with the introduction of rough set theory. Though rough set has major advantages over the other methods, but it generates too many rules that create many difficulties while taking decisions. Therefore, it is essential to minimize the decision rules. In this paper, we use two processes such as pre process and post process to mine suitable rules and to explore the relationship among the attributes. In pre process we use rough set theory to mine suitable rules, whereas in post process we use formal concept analysis from these suitable rules to explore better knowledge and most important factors affecting the decision making.

연구 동기 및 목표

• 날카운드 집합 기반 의료 진단 시스템에서 발생하는 규칙 폭발 문제를 해결하기 위해.
• 형식적 개념 분석(FCA)을 통합하여 진단 규칙의 해석 가능성과 관련성 향상시키기 위해.
• 의료 의사결정에 영향을 주는 가장 중요한 속성과 그 관계를 규명하기 위해.
• 임상 데이터셋에서 필수 진단 지식을 유지하면서 부적절한 의사결정 규칙을 최소화하기 위해.
• 강건하고 해석 가능한 의료 진단을 위한 이중 단계 프레임워크—날카운드 집합을 통한 전처리 및 FCA를 통한 후처리 개발하기 위해.

제안 방법

• 전처리 단계에서는 날카운드 집합 이론을 활용해 임상 데이터셋에서 최소한의 의사결정 규칙를 추출함으로써 중복을 줄인다.
• 프레임워크는 불확실성 관계와 재구성(레드럭션)을 적용하여 핵심 속성과 핵심 규칙을 식별한다.
• 후처리 단계에서는 추출된 규칙에 대해 형식적 개념 분석(FCA)을 적용하여 속성과 개념 간의 계층적 관계를 발견한다.
• FCA는 증상과 질병 간의 종속성 구조를 시각화하고 분석하기 위해 개념 랙스를 구축한다.
• 날카운드 집합과 FCA의 통합은 하나의 일관된 파이프라인 내에서 규칙 생성과 지식 정련을 가능하게 한다.
• 이 방법은 질병 진단에서 가장 영향력 있는 속성과 그 공존 패턴을 부각함으로써 해석 가능성에 중점을 둔다.

실험 결과

연구 질문

• RQ1 어떻게 날카운드 집합 이론을 효과적으로 형식적 개념 분석(FCA)과 융합하여 의료 진단에서 규칙의 복잡성을 감소시킬 수 있는가?
• RQ2 임상 데이터셋에서 진단 결정에 영향을 주는 가장 중요한 속성과 속성 조합은 무엇인가?
• RQ3 날카운드 집합과 FCA의 통합은 진단 규칙의 해석 가능성과 정확성을 향상시킬 수 있는가?
• RQ4 제안된 이중 단계 프레임워크를 통해 증상과 질병 간의 관계는 어떻게 도출되는가?
• RQ5 이 프레임워크는 임상적으로 관련성이 있는 지식을 유지하면서 얼마나 부적절한 규칙을 최소화하는가?

주요 결과

• 제안된 프레임워크는 날카운드 집합 분석에 의해 생성된 의사결정 규칙의 수를 성공적으로 감소시켜 규칙 폭발 문제를 완화시켰다.
• 형식적 개념 분석은 증상과 질병 간의 숨겨진 관계와 종속성을 효과적으로 드러내어 진단 통찰력을 향상시켰다.
• 날카운드 집합과 FCA의 통합은 진단 지식의 더 해석 가능하고 간결한 표현 방식을 가능하게 하였다.
• 핵심 속성은 개념 랙스 분석을 통해 진단에 영향을 주는 것으로 규명되었으며, 임상 의사결정 지원에 기여하였다.
• 날카운드 집합을 단독으로 사용하는 것보다 프레임워크는 지식 정련과 구조 탐색 능력에서 향상된 성능을 보였다.
• 이중 단계 접근 방식—날카운드 집합을 통한 규칙 추출과 FCA를 통한 지식 탐색—은 복잡하고 일관성 없는 의료 데이터를 효과적으로 다루는 데 성공하였다.