[논문 리뷰] Heart Disease Prediction System using Associative Classification and Genetic Algorithm

M. Akhil jabbar, B. L. Deekshatulu외 1명|arXiv (Cornell University)|2013. 03. 24.

Data Mining Algorithms and Applications참고 문헌 10인용 수 59

한 줄 요약

이 논문은 연관 분류법과 유전 알고리즘을 융합하여 규칙 발견의 정확도와 해석 가능성을 향상시키는 심장병 예측 시스템을 제안한다. 높은 관심도와 높은 정확도를 가진 분류 규칙을 진화시켜 의료 데이터셋에서 뛰어난 예측 성능를 달성하며, 투명하고 실행 가능한 통찰을 제공함으로써 임상 의사결정을 지원한다.

ABSTRACT

Associative classification is a recent and rewarding technique which integrates association rule mining and classification to a model for prediction and achieves maximum accuracy. Associative classifiers are especially fit to applications where maximum accuracy is desired to a model for prediction. There are many domains such as medical where the maximum accuracy of the model is desired. Heart disease is a single largest cause of death in developed countries and one of the main contributors to disease burden in developing countries. Mortality data from the registrar general of India shows that heart disease are a major cause of death in India, and in Andhra Pradesh coronary heart disease cause about 30%of deaths in rural areas. Hence there is a need to develop a decision support system for predicting heart disease of a patient. In this paper we propose efficient associative classification algorithm using genetic approach for heart disease prediction. The main motivation for using genetic algorithm in the discovery of high level prediction rules is that the discovered rules are highly comprehensible, having high predictive accuracy and of high interestingness values. Experimental Results show that most of the classifier rules help in the best prediction of heart disease which even helps doctors in their diagnosis decisions.

연구 동기 및 목표

• 데이터 기반 기법을 활용하여 조기 심장병 예측을 위한 고정확도 의사결정 지원 시스템을 개발하기 위해.
• 기존 의료 예측 모델에서 낮은 해석 가능성과 최적화되지 않은 정확도 문제를 해결하기 위해.
• 정확도, 이해 가능성, 흥미로움 정도를 균형 있게 유지하는 규칙 발견을 위해 연관 분류법과 유전 알고리즘을 통합하기 위해.
• 실제 의료 데이터를 기반으로 시스템을 평가하여 인도 농촌 지역인 안드라 프라데시와 같은 고부하 지역에서 임상 진단을 지원하기 위해.
• 의사들이 자신감을 가지고 심장병을 진단할 수 있도록 실행 가능한, 인간이 읽을 수 있는 규칙을 제공하기 위해.

제안 방법

• 시스템은 환자 데이터에서 예측 규칙를 생성하기 위해 연관 규칙 탐색과 분류를 융합한 연관 분류법을 사용한다.
• 유전 알고리즘이 고수준의 분류 규칙을 진화시키고 최적화하여 정확도와 흥미로움 정도를 극대화한다.
• 규칙는 유전 알고리즘 내에서 염색체로 인코딩되며, 정밀도, 재현율, 지지도수 지표를 기반으로 적합도가 평가된다.
• 선택, 교차, 변이를 통해 반복적으로 규칙 집합을 진화시켜 최적의 규칙 조합을 식별한다.
• 최종 규칙 집합은 임상 사용을 위해 예측 성능과 해석 가능성 기반으로 정제되고 순위가 매겨진다.
• 기존 기준 분류 기법과의 비교를 위해 표준 심장병 데이터셋에서 방법을 평가한다.

실험 결과

연구 질문

• RQ1 유전 알고리즘이 연관 분류 규칙을 효과적으로 최적화하여 심장병 진단의 예측 정확도를 향상시킬 수 있는가?
• RQ2 진화된 규칙는 전통적 분류기와 비교해 뛰어난 성능을 달성하면서도 높은 해석 가능성을 유지하는가?
• RQ3 발견된 규칙가 환자 데이터에서 임상적으로 의미 있는 패턴을 어느 정도 반영하는가?
• RQ4 유전 최적화 통합이 분류 규칙의 흥미로움 정도와 신뢰성에 어떻게 기여하는가?
• RQ5 투명하고 규칙 기반 출력을 제공함으로써 시스템이 실시간 임상 의사결정을 지원할 수 있는가?

주요 결과

• 제안된 시스템은 기준 분류기보다 높은 예측 정확도를 달성하였으며, 테스트 데이터에서 강력한 성능을 보였다.
• 유전 알고리즘이 높은 정밀도와 재현율을 가진 규칙 집합을 성공적으로 생성하여 신뢰할 수 있는 예측 능력을 입증하였다.
• 발견된 규칙는 매우 해석 가능하여 임상의가 예측의 근거를 이해할 수 있었다.
• 최종 규칙의 상당 부분이 심장병의 알려진 위험 요인과 일치하여 임상적으로 관련성이 높은 것으로 확인되었다.
• 진화적 탐색을 통해 규칙 품질을 최적화함으로써 기존 표준 연관 분류기보다 시스템이 뛰어난 성능을 보였다.
• 결과적으로, 유전 최적화와 연관 분류법을 융합함으로써 정확도와 임상 활용 가능성이 모두 향상됨을 확인하였다.