[논문 리뷰] Medical diagnosis using neural network

S. M. Kamruzzaman, Ahmed Ryadh Hasan외 2명|arXiv (Cornell University)|2010. 09. 23.

Neural Networks and Applications참고 문헌 7인용 수 36

한 줄 요약

이 논문은 의료 진단을 위한 최적의 신경망 아키텍처를 단계적으로 구축하기 위해 은닉 유닛을 한 개씩 추가하는 수정된 피드포워드 신경망 구축 알고리즘(MFNNCA)을 제안한다. 이는 정확도와 일반화 능력을 향상시킨다. 유방암, 심장병, 당뇨병 데이터셋에서 테스트한 결과, MFNNCA는 최소한의 아키텍처로 높은 분류 성능를 달성하여 인간 전문가에 비해 뛰어난 진단 능력을 보여주었다.

ABSTRACT

This research is to search for alternatives to the resolution of complex medical diagnosis where human knowledge should be apprehended in a general fashion. Successful application examples show that human diagnostic capabilities are significantly worse than the neural diagnostic system. This paper describes a modified feedforward neural network constructive algorithm (MFNNCA), a new algorithm for medical diagnosis. The new constructive algorithm with backpropagation; offer an approach for the incremental construction of near-minimal neural network architectures for pattern classification. The algorithm starts with minimal number of hidden units in the single hidden layer; additional units are added to the hidden layer one at a time to improve the accuracy of the network and to get an optimal size of a neural network. The MFNNCA was tested on several benchmarking classification problems including the cancer, heart disease and diabetes. Experimental results show that the MFNNCA can produce optimal neural network architecture with good generalization ability.

연구 동기 및 목표

• 인간 기반 의료 진단의 오류를 줄이고 일관성을 높이는 대안을 개발하기 위해.
• 복잡한 의료 분류 과제를 위한 최소이면서도 효과적인 신경망 아키텍처를 구축하는 과제를 해결하기 위해.
• 신경망 성능을 최적화하기 위해 은닉 유닛을 단계적으로 추가하는 구축 알고리즘을 만들기 위해.
• 실제 의료 데이터셋에 대해 방법을 평가하여 일반화 능력과 진단 정확도를 입증하기 위해.
• 신경망이 패턴 분류 과제에서 인간의 진단 능력을 초월할 수 있음을 보여주기 위해.

제안 방법

• MFNNCA는 단일 은닉층에 최소한의 은닉 유닛 수로 시작하는 구축 접근법을 사용한다.
• 알고리즘은 분류 정확도를 향상시키기 위해 단계적으로 한 개의 은닉 유닛씩 추가한다.
• 각 은닉 유닛 추가 후 역전파를 사용해 네트워크를 훈련시킨다.
• 더 이상 정확도 향상이 없을 때까지 과정을 반복하여 근사 최소 아키텍처를 확보한다.
• 이 방법은 강력한 일반화 성능을 갖춘 최적의 네트워크 크기를 확보하는 데 중점을 둔다.
• 알고리즘은 캔서, 심장병, 당뇨병을 포함한 벤치마크 의료 데이터셋에서 평가되었다.

실험 결과

연구 질문

• RQ1 구축 기반 신경망 알고리즘이 의료 진단에 대해 일반화 능력이 뛰어난 근사 최소 아키텍처를 생성할 수 있는가?
• RQ2 고정된 아키텍처 네트워크에 비해 은닉 유닛을 점진적으로 추가함으로써 분류 정확도가 향상되는가?
• RQ3 MFNNCA는 패턴 분류 과제에서 인간의 진단 능력을 초월할 수 있는가?
• RQ4 MFNNCA는 실제 의료 데이터셋(예: 캔서, 심장병, 당뇨병)에서 얼마나 효과적인가?
• RQ5 의료 적용 분야에서 네트워크 크기와 진단 정확도 사이의 상충 관계는 어떠한가?

주요 결과

• MFNNCA는 의료 데이터셋에서 높은 분류 정확도를 달성하는 근사 최소 아키텍처를 성공적으로 구축하였다.
• 알고리즘은 강력한 일반화 능력을 보이며, 예측되지 않은 데이터에 대해서도 안정성을 확보함을 나타낸다.
• 점진적인 아키텍처 구축 과정은 최소한의 구조적 성장으로도 정확도를 효과적으로 향상시켰다.
• 시험된 패턴 분류 과제에서 이 방법은 인간의 진단 능력을 뛰어넘었다.
• 알고리즘은 캔서, 심장병, 당뇨병 세 가지 벤치마크 의료 데이터셋에서 검증되었으며, 일관된 성능을 보였다.
• 최종 네트워크 아키텍처는 추가 은닉 유닛이 더 이상 정확도 향상에 기여하지 않는 최적 크기를 확보하였다.