[논문 리뷰] Disease Prediction from Electronic Health Records Using Generative Adversarial Networks.

Uiwon Hwang, Sung‐Woon Choi외 1명|arXiv (Cornell University)|2017. 11. 11.

Machine Learning in Healthcare참고 문헌 6인용 수 12

한 줄 요약

이 연구는 전자 건강 기록(EHR)에서 결측치 및 클래스 불균형 문제를 해결하기 위해 스택드 오토인코더를 결측치 보정에, 보조 분류기 GAN(AC-GAN)을 질병 예측에 조합한 새로운 프레임워크를 제안한다. 이는 기존 알고리즘 대비 뛰어난 성능을 보이며 98.05%의 예측 정확도를 달성하였다.

ABSTRACT

Electronic health records (EHRs) have contributed to the computerization of patient records so that it can be used not only for efficient and systematic medical services, but also for research on data science. In this paper, we compared disease prediction performance of generative adversarial networks (GANs) and conventional learning algorithms in combination with missing value prediction methods. As a result, the highest accuracy of 98.05% was obtained using stacked autoencoder as the missing value prediction method and auxiliary classifier GANs (AC-GANs) as the disease predicting method. Results show that the combination of stacked autoencoder and AC-GANs performs significantly greater than existing algorithms at the problem of disease prediction in which missing values and class imbalance exist.

연구 동기 및 목표

• 전자 건강 기록(EHR)에서 질병 예측을 위한 결측치 및 클래스 불균형 문제를 해결하기 위해.
• 기존 기계 학습 알고리즘 대비 생성적 적대 신경망(GAN)의 성능을 EHR 기반 질병 예측에서 평가하기 위해.
• 예측 정확도를 극대화하기 위해 결측치 보정 및 딥러닝 모델의 최적 조합을 규명하기 위해.

제안 방법

• 입력 데이터의 계층적 표현을 학습함으로써 EHR의 결측치를 보정하기 위해 스택드 오토인코더를 활용하였다.
• 질병 결과를 동시에 분류하면서도 현실적인 합성 EHR 샘플을 생성하기 위해 보조 분류기 GAN(AC-GAN)을 사용하였다.
• 교착 학습 과정에서 클래스 레이블을 활용하기 위해 조건부 손실을 적용하여 질병 예측 성능을 향상시켰다.
• 동일한 보정 및 예측 파이프라인을 사용하여 AC-GAN과 스택드 오토인코더의 성능을 기존 학습 알고리즘과 비교하였다.
• 딥러닝 모델에 입력하기 전에 특징 공학 및 정규화를 적용하여 EHR 데이터를 전처리하였다.
• 표준 분류 지표를 사용하여 모델 성능을 평가하였으며, 주요 평가 지표로 정확도를 사용하였다.

실험 결과

연구 질문

• RQ1 스택드 오토인코더 기반 보정을 적용한 AC-GAN은 EHR에서 결측치가 있는 경우 기존 기계 학습 모델보다 질병 예측 성능에서 뛰어나게 되는가?
• RQ2 스택드 오토인코더와 AC-GAN의 통합은 클래스 불균형이 존재하는 상황에서 예측 정확도에 어떤 영향을 미치는가?
• RQ3 실제 EHR 데이터셋에서 질병 예측을 위한 최적의 결측치 보정 및 딥러닝 모델 조합은 무엇인가?

주요 결과

• 스택드 오토인코더를 이용한 결측치 보정과 AC-GAN을 이용한 질병 예측의 조합이 98.05%의 최고 정확도를 달성하였다.
• 스택드 오토인코더 기반 보정을 적용한 AC-GAN은 기존 학습 알고리즘 대비 질병 예측 과제에서 뚜렷한 성능 향상을 보였다.
• 제안된 방법은 EHR 데이터셋에서 흔히 발생하는 결측치 및 클래스 불균형 문제를 효과적으로 다루는 데에 뛰어난 성능을 보였다.
• 결측치 보정과 함께 GAN 기반 생성 모델링을 적용할 경우, 분류 모델을 초월한 예측 성능 향상이 가능하다는 점이 결과에서 확인되었다.