[논문 리뷰] Feature selection for medical diagnosis: Evaluation for using a hybrid Stacked-Genetic approach in the diagnosis of heart disease

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

Artificial Intelligence in Healthcare참고 문헌 47인용 수 9

한 줄 요약

이 논문은 앙상블 학습과 유전 알고리즘을 결합한 하이브리드 스태킹-유전적 특성 선택 방법을 제안하여 심장병 진단 정확도를 향상시킨다. 특성 부분집합을 최적화함으로써 이 방법은 97.57%의 정확도를 달성하여 건강한 환자와 병변이 있는 환자를 구분하는 데 가장 예측력 있는 특성으로 테라리움 스캔과 혈관 폐색을 특정한다.

ABSTRACT

Background and purpose: Heart disease has been one of the most important causes of death in the last 10 years, so the use of classification methods to diagnose and predict heart disease is very important. If this disease is predicted before menstruation, it is possible to prevent high mortality of the disease and provide more accurate and efficient treatment methods. Materials and Methods: Due to the selection of input features, the use of basic algorithms can be very time-consuming. Reducing dimensions or choosing a good subset of features, without risking accuracy, has great importance for basic algorithms for successful use in the region. In this paper, we propose an ensemble-genetic learning method using wrapper feature reduction to select features in disease classification. Findings: The development of a medical diagnosis system based on ensemble learning to predict heart disease provides a more accurate diagnosis than the traditional method and reduces the cost of treatment. Conclusion: The results showed that Thallium Scan and vascular occlusion were the most important features in the diagnosis of heart disease and can distinguish between sick and healthy people with 97.57% accuracy.

연구 동기 및 목표

• 기계 학습을 활용하여 심장병 진단의 정확도와 효율성을 향상시키는 것.
• 예측 성능을 훼손하지 않고 고차원 의료 데이터의 특성 공간을 축소하여 고차원 데이터 문제를 해결하는 것.
• 의료 진단에서 분류 모델의 성능을 향상시키는 강력한 특성 선택 방법을 개발하는 것.
• 하이브리드 스태킹-유전적 접근법이 심장병 예측에 가장 관련성이 높은 특성을 식별하는 데 효과적인지 평가하는 것.

제안 방법

• 이 방법은 최적의 특성 부분집합을 찾기 위해 유전 알고리즘을 활용한 워퍼 기반 특성 선택 전략을 사용한다.
• 다양한 기본 분류기의 예측을 통합함으로써 분류 성능를 향상시키기 위해 앙상블 학습 기법을 통합한다.
• 분류 정확도를 기반으로 선택, 교차, 변이 연산을 통해 후보 특성 부분집합을 진화시킨다.
• 다양한 기본 분류기의 예측 결과로부터 메타학습을 수행하기 위해 스태킹 앙상블 모델을 사용한다. 이는 전체 모델의 강건성을 향상시킨다.
• 검증 데이터에서 분류 정확도를 최대화하는 피트니스 함수에 따라 특성 선택이 이뤄진다.
• 실제 의료 데이터에 대한 성능 평가를 위해 공개된 심장병 데이터셋에 이 방법을 적용한다.

실험 결과

연구 질문

• RQ1 기존 특성 선택 방법과 비교해 볼 때, 하이브리드 스태킹-유전적 접근법이 심장병 진단 정확도를 향상시킬 수 있는가?
• RQ2 이 하이브리드 모델의 맥락에서 심장병에 대해 가장 예측력 있는 특성은 무엇인가?
• RQ3 앙상블 학습과 유전 알고리즘 기반 특성 선택의 통합이 모델 성능에 어떤 영향을 미치는가?
• RQ4 이 방법을 통한 차원 축소가 진단 정확도를 유지하거나 향상시키는 데 얼마나 기여하는가?
• RQ5 최종 모델에서 테라리움 스캔과 혈관 폐색과 같은 개별 임상적 특성의 상대적 중요도는 어떠한가?

주요 결과

• 하이브리드 스태킹-유전적 접근법은 심장병 진단에서 97.57%의 분류 정확도를 달성하였다.
• 테라리움 스캔과 혈관 폐색은 건강한 환자와 병변이 있는 환자를 구분하는 데 가장 중요한 특성로 특정되었다.
• 특성 선택 과정을 통해 차원이 크게 감소되었지만 높은 예측 성능를 유지하였다.
• 앙상블 학습 구성 요소는 최종 모델의 강건성과 일반화 능력을 향상시키는 데 기여하였다.
• 유전 알고리즘은 특성 공간을 효과적으로 탐색하여 높은 성능의 특성 부분집합으로 수렴하였다.
• 진화 계산과 스태킹 앙상블 학습의 장점을 융합함으로써 이 방법은 기준 모델을 초월하였다.