[논문 리뷰] Deep Neural Network Based Ensemble learning Algorithms for the healthcare system (diagnosis of chronic diseases)

Jafar Abdollahi, Babak Nouri-Moghaddam외 1명|arXiv (Cornell University)|2021. 03. 15.

Artificial Intelligence in HealthcareHealth Professions인용 수 20

한 줄 요약

이 논문은 당뇨병, 심장병, 암과 같은 만성질환을 진단하기 위한 딥 뉴럴 네트워크 기반 앙상블 학습 프레임워크를 제안한다. 실제 UCI 헬스케어 데이터셋을 바탕으로 여러 개의 딥 뉴럴 네트워크를 앙상블 전략을 통해 조합함으로써, 당뇨병, 심장병, 암 분류에 각각 98.5%, 99%, 100%의 정확도를 달성하여 기준 모델 대비 뛰어난 성능을 보였다.

ABSTRACT

learning algorithms. In this paper, we review the classification algorithms used in the health care system (chronic diseases) and present the neural network-based Ensemble learning method. We briefly describe the commonly used algorithms and describe their critical properties. Materials and Methods: In this study, modern classification algorithms used in healthcare, examine the principles of these methods and guidelines, and to accurately diagnose and predict chronic diseases, superior machine learning algorithms with the neural network-based ensemble learning Is used. To do this, we use experimental data, real data on chronic patients (diabetes, heart, cancer) available on the UCI site. Results: We found that group algorithms designed to diagnose chronic diseases can be more effective than baseline algorithms. It also identifies several challenges to further advancing the classification of machine learning in the diagnosis of chronic diseases. Conclusion: The results show the high performance of the neural network-based Ensemble learning approach for the diagnosis and prediction of chronic diseases, which in this study reached 98.5, 99, and 100% accuracy, respectively.

연구 동기 및 목표

• 의료 분야에서 기계학습을 활용해 만성질환 진단의 정확도와 신뢰성을 향상시키는 것.
• 딥 뉴럴 네트워크 기반 앙상블 학습의 효과성을 만성질환 분류에 대해 조사하는 것.
• 실제 의료 데이터 기반의 앙상블 모델과 기준 분류 알고리즘 간의 성능을 평가하고 비교하는 것.
• 임상 환경에서 만성질환 예측을 위한 기계학습 도입 시 발생하는 주요 과제를 규명하는 것.

제안 방법

• 본 연구는 분류 성능 향상을 위해 여러 개의 딥 뉴럴 네트워크를 조합하는 하이브리드 앙상블 학습 접근법을 적용한다.
• 모델은 당뇨병, 심장병, 암 환자에 대한 실제 세계 UCI 데이터셋을 기반으로 훈련된다.
• 앙상블 전략은 개별 딥 뉴럴 네트워크의 예측을 집계하여 정확도와 내구성을 향상시킨다.
• 모든 데이터셋에서 모델 성능을 최적화하기 위해 초모수 튜닝과 교차 검증이 사용된다.
• 프레임워크는 특징 추출 및 분류를 위해 완전히 연결된 신경망과 피드포워드 네트워크와 같은 딥 러닝 아키텍처를 활용한다.
• 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크 기반 앙상블 학습 접근법은 기존의 기계학습 모델보다 만성질환 진단에서 뛰어난 성능을 보일 수 있는가?
• RQ2 실제 의료 데이터셋을 활용한 앙상블 딥 러닝을 통해 당뇨병, 심장병, 암 분류에서 어떤 정도의 정확도를 달성할 수 있는가?
• RQ3 다양한 앙상블 전략은 질병 예측 모델의 일반화 능력과 내구성에 어떤 영향을 미치는가?
• RQ4 임상 진단 시스템에 딥 러닝 앙상블을 적용할 때의 주요 과제는 무엇인가?

주요 결과

• 제안된 딥 뉴럴 네트워크 기반 앙상블 모델은 UCI 데이터셋에서 당뇨병 진단에 98.5%의 정확도를 달성했다.
• 심장병 분류의 경우, 모델은 99%의 정확도를 기록하여 기준 알고리즘을 초월했다.
• 암 사례 분류에서는 완벽한 100%의 정확도를 달성하여 강력한 예측 능력을 보였다.
• 앙상블 학습은 모든 세 가지 만성질환 데이터셋에서 모델의 안정성과 일반화 능력을 크게 향상시켰다.
• 연구는 데이터 불균형, 모델의 해석 가능성, 임상 적용을 위한 도입이 실제 적용 시 주요 과제로 규명되었다.