[논문 리뷰] Coronary Heart Disease Diagnosis Based on Improved Ensemble Learning

Kuntoro Adi Nugroho, Noor Akhmad Setiawan외 1명|arXiv (Cornell University)|2020. 07. 06.

Artificial Intelligence in Healthcare참고 문헌 40인용 수 4

한 줄 요약

이 연구는 관상동맥 심장병 진단을 위한 하이브리드 캐스케이드 앙상블 학습 방법을 제안한다. 기저 학습기로 나이브 베이즈를 사용하고, C4.5와 RIPPER를 메타-학습기로 조합하며, 앙상블 구축을 위해 백킹과 랜덤 서브스페이스 기법을 사용한다. 느슨한 커플링 전략을 적용한 캐스케이드 일반화 방식은 단독 알고리즘과 Rotation Forest에 비해 진단 정확도를 크게 향상시켰지만, 기저 모델 간의 다양성은 감소하였다.

ABSTRACT

Accurate diagnosis is required before performing proper treatments for coronary heart disease. Machine learning based approaches have been proposed by many researchers to improve the accuracy of coronary heart disease diagnosis. Ensemble learning and cascade generalization are among the methods which can be used to improve the generalization ability of learning algorithm. The objective of this study is to develop heart disease diagnosis method based on ensemble learning and cascade generalization. Cascade generalization method with loose coupling strategy is proposed in this study. C4. 5 and RIPPER algorithm were used as meta-level algorithm and Naive Bayes was used as baselevel algorithm. Bagging and Random Subspace were evaluated for constructing the ensemble. The hybrid cascade ensemble methods are compared with the learning algorithms in non-ensemble mode and non-cascade mode. The methods are also compared with Rotation Forest. Based on the evaluation result, the hybrid cascade ensemble method demonstrated the best result for the given heart disease diagnosis case. Accuracy and diversity evaluation was performed to analyze the impact of the cascade strategy. Based on the result, the accuracy of the classifiers in the ensemble is increased but the diversity is decreased.

연구 동기 및 목표

• 기계 학습을 활용해 관상동맥 심장병 진단 정확도를 향상시키기.
• 캐스케이드 일반화와 앙상블 학습이 진단 성능에 미치는 영향을 조사하기.
• 제안된 하이브리드 캐스케이드 앙상블 방법을 비-앙상블 및 비-캐스케이드 기반 모델과 비교하기.
• 앙상블 분류기에서 정확도와 다양성 간의 트레이드오��� 평가하기.
• 의료 진단 분야에서 캐스케이드 일반화의 느슨한 커플링 전략의 효과성 입증하기.

제안 방법

• 연구는 다수의 기저 학습기를 통합하기 위해 느슨한 커플링 전략을 적용한 캐스케이드 일반화 프레임워크를 사용한다.
• 기저 수준의 학습 알고리즘으로 나이브 베이즈를 사용하여 개별 분류기 구축한다.
• 기저 모델의 예측을 조합하기 위해 C4.5와 RIPPER를 메타-레벨 알고리즘으로 적용한다.
• 다양하고 견고한 기저 앙상블 구성 요소를 만들기 위해 백킹과 랜덤 서브스페이스 기법을 사용한다.
• 하이브리드 캐스케이드 앙상블 방법은 일반화 성능 향상을 위해 두 수준의 학습 아키텍처를 통해 예측을 통합한다.
• 비-앙상블 모델과 Rotation Forest를 기준으로 비교 성능 분 析를 위해 평가한다.

실험 결과

연구 질문

• RQ1 제안된 캐스케이드 앙상블 방법은 개별 학습 알고리즘에 비해 관상동맥 심장병 진단 정확도를 향상시키는가?
• RQ2 캐스케이드 일반화에서 느슨한 커플링의 사용이 앙상블 성능에 어떤 영향을 미치는가?
• RQ3 제안된 앙상블 모델에서 정확도와 다양성 간의 트레이드오프는 어떠한가?
• RQ4 하이브리드 캐스케이드 앙상블은 관상동맥 심장병 진단에서 Rotation Forest에 비해 어떻게 비교되는가?
• RQ5 백킹과 랜덤 서브스페이스는 앙상블의 견고성에 얼마나 기여하는가?

주요 결과

• 제안된 하이브리드 캐스케이드 앙상블 방법은 평가된 모든 방법 중에서 주어진 관상동맥 심장병 데이터셋에서 가장 높은 진단 정확도를 달성하였다.
• 캐스케이드 일반화 전략 덕분에 앙상블 내 개별 분류기의 정확도가 향상되었다.
• 정확도 향상에도 불구하고 기저 분류기 간의 다양성은 감소하여 성능 향상과 앙상블 다양성 간의 트레이드오프를 시사한다.
• 제안된 방법은 비-앙상블 모델과 Rotation Forest 모두에 비해 분류 정확도 측면에서 뛰어난 성능을 보였다.
• 백킹과 랜덤 서브스페이스의 활용은 다양한 안정적인 기저 학습기를 구성하는 데 효과적으로 기여하였다.
• 결과적으로 캐스케이드 일반화에 느슨한 커플링 전략을 적용할 경우 의료 진단 과제에서 일반화 능력 향상이 가능하다는 것이 확인되었다.