[논문 리뷰] Artificial Intelligence based Smart Doctor using Decision Tree Algorithm

Rida Sara Khan, Asad Ali Zardar외 1명|arXiv (Cornell University)|2018. 07. 29.

Artificial Intelligence in Healthcare인용 수 6

한 줄 요약

이 논문은 환자의 증상과 치료법을 질문지 기반 접근 방식을 통해 진단하고 추천하는 데목으로 의사결정나무 알고리즘을 사용하는 AI 기반 스마트 도우미 시스템을 제안한다. 이 시스템은 의사결정나무를 따라가며 치료법을 제안함으로써 자동화되고 인간과 유사한 의료 선별을 가능하게 하며, 주된 의료 분야에서 해석 가능한 AI의 실용적 응용을 보여준다.

ABSTRACT

Artificial Intelligence (AI) has already made a huge impact on our current technological trends. Through AI developments, machines are now given power and intelligence to behave and work like human mind. In this research project, we propose and implement an AI based health physician system that would be able to interact with the patient, do the diagnosis and suggest quick remedy or treatment of their problem. A decision tree algorithm is implemented in order to follow a top down searching approach to identify and diagnose the problem and suggest a possible solution. The system uses a questionnaire based approach to query the user (patient) about various Symptoms, based on which a decision is made and a medicine is recommended

연구 동기 및 목표

• 기계학습을 활용하여 의료진의 의사결정 과정을 모방하는 AI 기반 진단 시스템을 개발하기 위해.
• 의료 전문가의 접근성이 제한된 문제를 해결하기 위해 자동화된 증상 평가 및 치료 제안 기능을 제공하기 위해.
• 의사결정나무를 사용하여 투명하고 해석 가능한 진단 모델을 구현하여 사용자 신뢰도 및 임상 적용 가능성을 높이기 위해.
• 모의 환자 입력과 구조화된 질문지 기반 상호작용을 통해 시스템 성능을 평가하기 위해.
• 자원이 제한된 환경에서 예비 의료 진단을 위한 저비용이고 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• 의료 진단 과정을 모델링하기 위해 의사결정나무 알고리즘을 사용하며, 증상 입력에 기반해 상향식으로 트리 탐색을 수행한다.
• 의사결정과정을 안내하기 위해 환자의 증상을 구조화된 질문지 인터페이스를 통해 수집한다.
• 의사결정나무의 각 노드는 증상 또는 질환을 나타내며, 분지들은 가능한 진단 또는 치료 제안으로 이어진다.
• 알고리즘은 증상 데이터를 재귀적으로 분할하여 가장 가능성이 높은 진단을 식별하기 위해 탐욕적이고 상향식 접근 방식을 적용한다.
• 의사결정나무 탐색의 최종 리프 노드에 도달함에 따라 치료 제안이 생성된다.
• 일반적인 질병들과 그에 따른 증상 프로파일을 포함한 데이터셋을 사용하여 시스템을 훈련 및 테스트한다.

실험 결과

연구 질문

• RQ1 의사결정나무 기반 AI 시스템은 환자로부터의 증상 입력만으로 일반적인 질병을 정확하게 진단할 수 있는가?
• RQ2 규칙 기반 의사결정나무는 주요 의료 선별을 위한 임상적 추론을 얼마나 효과적으로 모방할 수 있는가?
• RQ3 시스템의 해석 가능성은 블랙박스 AI 모델에 비해 사용자 신뢰를 얼마나 향상시키는가?
• RQ4 질문지 기반 상호작용은 진단 정확도와 사용자 참여도를 얼마나 향상시키는가?
• RQ5 증상 패tern 기반으로 적절한 치료법을 추천하는 데서 시스템의 성능은 어떠한가?

주요 결과

• 의사결정나무 모델은 테스트된 시나리오에서 증상 입력을 기반으로 일반적인 질병을 높은 정확도로 분류하였다.
• 대부분의 테스트된 증상 조합에 대해 시스템은 표준 의료 지침과 일치하는 치료 제안을 제공하였다.
• 의사결정나무의 해석 가능성 덕분에 사용자가 단계별로 진단 추론 과정을 추적할 수 있었으며, 투명성이 향상되었다.
• 질문지 기반 인터페이스가 사용자 참여도를 향상시키고 증상 기록의 모호성을 줄였다.
• 시스템은 확장성과 낮은 계산 비용을 보였으며, 자원이 제한된 의료 환경에서의 구현에 적합하였다.
• 결과적으로 의사결정나무 기반 AI는 예비 의료 진단 및 선별을 위한 실용적인 도구가 될 수 있음을 시사한다.