[논문 리뷰] Hyper-Heuristic Algorithm for Finding Efficient Features in Diagnose of Lung Cancer Disease

Mitra Montazeri, Mahdieh Soleymani Baghshah외 1명|arXiv (Cornell University)|2015. 12. 15.

Gene expression and cancer classification참고 문헌 35인용 수 8

한 줄 요약

이 논문은 57개의 특징을 가진 UCI 폐암 데이터셋을 사용하여 조기 폐암 진료를 위한 효율적인 특징을 식별하기 위해 초휴리스틱 알고리즘을 제안한다. 특징 수를 11개로 줄임으로써 80.63%의 정확도를 달성하였으며, 이는 다섯 가지 기존의 기계학습 기반 특징 선택 방법을 능가하는 성과로, 지능적인 특징 선택을 통한 진단 정확도 향상의 효과를 입증한다.

ABSTRACT

Background: Lung cancer was known as primary cancers and the survival rate of cancer is about 15%. Early detection of lung cancer is the leading factor in survival rate. All symptoms (features) of lung cancer do not appear until the cancer spreads to other areas. It needs an accurate early detection of lung cancer, for increasing the survival rate. For accurate detection, it need characterizes efficient features and delete redundancy features among all features. Feature selection is the problem of selecting informative features among all features. Materials and Methods: Lung cancer database consist of 32 patient records with 57 features. This database collected by Hong and Youngand indexed in the University of California Irvine repository. Experimental contents include the extracted from the clinical data and X-ray data, etc. The data described 3 types of pathological lung cancers and all features are taking an integer value 0-3. In our study, new method is proposed for identify efficient features of lung cancer. It is based on Hyper-Heuristic. Results: We obtained an accuracy of 80.63% using reduced 11 feature set. The proposed method compare to the accuracy of 5 machine learning feature selections. The accuracy of these 5 methods are 60.94, 57.81, 68.75, 60.94 and 68.75. Conclusions: The proposed method has better performance with the highest level of accuracy. Therefore, the proposed model is recommended for identifying an efficient symptom of Disease. These finding are very important in health research, particularly in allocation of medical resources for patients who predicted as high-risks

연구 동기 및 목표

• 대규모 임상 및 영상 특징 집합에서 가장 정보가 풍부한 특징을 식별하여 폐암의 조기 진단 정확도를 향상시키기.
• 진단 성능을 저하시킬 수 있는 폐암 데이터셋 내 특징의 중복성과 노이즈 문제를 해결하기.
• 낮은 수준의 휴리스틱을 동적으로 선택하거나 생성하여 효율적인 특징 부분집합 선택을 위한 초휴리스틱 접근법을 개발하기.
• 폐암 데이터셋에서 분류 정확도 측면에서 기존의 기계학습 기반 특징 선택 기법을 능가하기.
• 정확하고 특징 최적화된 진단 모델을 통해 고위험 환자를 식별함으로써 의료 자원의 보다 효과적인 배분을 지원하기.

제안 방법

• 제안된 방법은 기존의 휴리스틱보다 높은 수준에서 작동하는 초휴리스틱 프레임워크를 활용하여 특징 선택을 위한 낮은 수준의 휴리스틱을 선택하거나 생성한다.
• 분류 성능에 기여하는 특징의 기여도에 따라 반복적으로 특징을 선택하거나 제거하기 위해 사전 정의된 낮은 수준의 휴리스틱 집합을 사용한다.
• 분류기(일반적으로 C4.5나 k-NN와 같은 표준 학습기로 암시됨)를 사용하여 특징 부분집합을 평가함으로써 최적의 부분집합을 탐색하는 데 지침을 제공한다.
• 분류 정확도를 기반으로 한 적합도 함수를 통해 검색 과정을 이끌며, 성능을 극대화하면서도 특징 수를 최소화하는 것을 목표로 한다.
• 모든 가능한 부분집합을 전수 조사하지 않고도 특징 공간을 효율적으로 탐색하기 위해 국소 검색 전략을 적용한다.
• 최종 특징 부분집합은 UCI 폐암 데이터셋에서 검색 과정 동안 확보한 최고의 분류 정확도를 기반으로 선정된다.

실험 결과

연구 질문

• RQ1 초휴리스틱 접근법이 기존의 기계학습 기반 방법보다 폐암 진단을 위한 효율적 특징 선택에서 뛰어난 성능을 보일 수 있는가?
• RQ2 높은 진단 정확도를 달성하기 위해 필요한 최적의 특징 수는 얼마인가?
• RQ3 제안된 초휴리스틱 방법은 기준선 특징 선택 기법에 비해 특징의 중복성을 어떻게 줄이고 분류 성능을 향상시키는가?
• RQ4 특징 수 줄이기는 폐암 진단 모델의 정확도와 신뢰성에 어느 정도의 영향을 미치는가?
• RQ5 제한된 표본 수와 고차원적 특징을 가진 의료 데이터셋에 대해 초휴리스틱 프레임워크를 효과적으로 적용할 수 있는가?

주요 결과

• 제안된 초휴리스틱 방법은 오직 11개의 특징만을 사용하여 80.63%의 분류 정확도를 달성하였으며, 다섯 가지 기존의 특징 선택 방법을 뛰어넘는 성과를 보였다.
• 다섯 가지 기준선 방법은 각각 60.94%, 57.81%, 68.75%, 60.94%, 68.75%의 정확도를 기록하여, 제안된 방법의 우수성을 확인했다.
• 이 방법은 원래의 57개 특징으로 구성된 데이터셋을 최소한이지만 매우 정보가 풍부한 11개 특징 부분집합으로 성공적으로 줄였으며, 이는 모델의 효율성과 해석 가능성 향상에 기여했다.
• 결과는 초휴리스틱을 통한 지능적인 특징 선택이 진단 정확도를 향상시켜 폐암의 조기 발견을 지원함을 입증한다.
• 이 연구는 특징 선택이 조기에 정확한 진단을 가능하게 하여 생존율 향상에 기여하므로 중요하다는 점을 확인한다.
• 모델의 성능은 고위험 환자에 대한 위험도 평가 및 의료 자원 배분에 임상적 적용 가능성을 강력히 시사한다.