[논문 리뷰] Enhancing the Detection of Coronary Artery Disease Using Machine Learning

Karan Kumar Singh, Nikita Gajbhiye외 1명|arXiv (Cornell University)|2026. 03. 06.

Artificial Intelligence in Healthcare인용 수 0

한 줄 요약

본 연구는 3D CCTA 데이터로 비침습적 CAD 탐지를 위해 Bi-LSTM, GRU, 및 Bi-LSTM+GRU 하이브리드를 비교하며, 하이브리드 모델이 가장 높은 정확도(97.07%)를 달성했다.

ABSTRACT

Coronary Artery Disease (CAD) remains a leading cause of morbidity and mortality worldwide. Early detection is critical to recover patient outcomes and decrease healthcare costs. In recent years, machine learning (ML) advancements have shown significant potential in enhancing the accuracy of CAD diagnosis. This study investigates the application of ML algorithms to improve the detection of CAD by analyzing patient data, including clinical features, imaging, and biomarker profiles. Bi-directional Long Short-Term Memory (Bi-LSTM), Gated Recurrent Units (GRU), and a hybrid of Bi-LSTM+GRU were trained on large datasets to predict the presence of CAD. Results demonstrated that these ML models outperformed traditional diagnostic methods in sensitivity and specificity, offering a robust tool for clinicians to make more informed decisions. The experimental results show that the hybrid model achieved an accuracy of 97.07%. By integrating advanced data preprocessing techniques and feature selection, this study ensures optimal learning and model performance, setting a benchmark for the application of ML in CAD diagnosis. The integration of ML into CAD detection presents a promising avenue for personalized healthcare and could play a pivotal role in the future of cardiovascular disease management.

연구 동기 및 목표

• 인구통계학적, 임상 및 영상 데이터를 이용하여 CAD를 예측하는 ML 모델을 개발한다.
• CAD 예측을 위한 다양한 ML 알고리즘(예: DT, RF, SVM, 신경망)의 성능을 비교한다.
• 특징 선택을 통해 중요한 예측변수를 식별하여 모델 정확도를 향상시킨다.
• 전처리 단계(결측치 처리, 정규화, 이상치 처리)를 통해 데이터 품질을 향상시키고 학습 성능을 높인다.

제안 방법

• Siemens 128-슬라이스 스캐너에서 1000개의 3D CCTA 이미지를 수집한다.
• 모델링을 위해 특징을 준비하기 위해 데이터 정제, 정규화 및 표준화(z-score)를 적용한다.
• 고유상관 행렬(피어슨 상관)을 사용하여 차원을 축소하기 위한 특징 선택을 수행한다.
• Bi-LSTM, GRU 및 Bi-LSTM+GRU 하이브리드 분류기를 CAD 예측에 적용한다.
• 정확도, 정밀도, 재현율, F1-점수 및 ROC 관련 지표를 사용하여 모델을 평가한다.

Figure 1: Block diagram of proposed methodology

실험 결과

연구 질문

• RQ1 비침습 영상 데이터와 임상 특성을 결합한 ML 모델이 CAD를 정확하게 예측할 수 있는가?
• RQ2 어떤 ML 아키텍처(Bi-LSTM, GRU, 또는 하이브리드)가 이 데이터셋에서 가장 우수한 CAD 탐지 성능을 보이는가?
• RQ3 특징 추출 및 전처리가 모델 성능과 일반화에 어떤 영향을 미치는가?
• RQ4 제안된 모델들이 정확도 및 기타 지표 측면에서 기존 CAD 탐지 방법과 어떻게 비교되는가?

주요 결과

• Bi-LSTM은 92.7% 정확도, 92.9% 정밀도, 92.7% 재현율, 92.7% F1-점수를 달성했다.
• GRU는 93.9% 정확도, 94% 정밀도, 93.9% 재현율, 93.8% F1-점수를 달성했다.
• 하이브리드 Bi-LSTM+GRU는 97.07% 정확도, 94.13% 정밀도, 94.07% 재현율, 94% F1-점수를 달성했다.
• 하이브리드 모델은 개별 Bi-LSTM 및 GRU 모델과 문헌에 보고된 이전 방법들보다 우수했다.
• 연구는 비침습 데이터 통합이 임상 의사결정 및 CAD 진단을 향상시키는 수단임을 강조한다.

Figure 2: Training and validation loss of the Bi-LSTM model across epochs