[논문 리뷰] Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network

Shadab Hussain, Nanda, Santosh Kumar외 4명|arXiv (Cornell University)|2021. 05. 22.

Artificial Intelligence in Healthcare참고 문헌 9인용 수 5

한 줄 요약

이 논문은 임상 환자 파ameters를 사용하여 심장병 조기 예측을 위한 새로운 1D 컨볼루션 신경망(1D-CNN) 아키텍처를 제안한다. 이 모델은 정규화 기법을 통해 과적합을 효과적으로 억제함으로써 과적합을 줄이고, 미리 보지 않은 데이터에 대해 강력한 일반화 성능을 보이며, 훈련 정확도 97%와 테스트 정확도 96%를 달성한다.

ABSTRACT

Healthcare is one of the most important aspects of human life. Heart disease is known to be one of the deadliest diseases which is hampering the lives of many people around the world. Heart disease must be detected early so the loss of lives can be prevented. The availability of large-scale data for medical diagnosis has helped developed complex machine learning and deep learning-based models for automated early diagnosis of heart diseases. The classical approaches have been limited in terms of not generalizing well to new data which have not been seen in the training set. This is indicated by a large gap in training and test accuracies. This paper proposes a novel deep learning architecture using a 1D convolutional neural network for classification between healthy and non-healthy persons to overcome the limitations of classical approaches. Various clinical parameters are used for assessing the risk profile in the patients which helps in early diagnosis. Various techniques are used to avoid overfitting in the proposed network. The proposed network achieves over 97% training accuracy and 96% test accuracy on the dataset. The accuracy of the model is compared in detail with other classification algorithms using various performance parameters which proves the effectiveness of the proposed architecture.

연구 동기 및 목표

• 심장병 예측에서 고전적 기계학습 모델이 새로운 의료 데이터에 일반화하는 데 한계가 있다는 문제를 해결하기 위해.
• 심장병의 조기 진단을 향상시키기 위해 임상 파ameters를 활용하는 딥러닝 아키텍처를 개발하기 위해.
• 1D-CNN 프레임워크 내에서 고급 정규화 기법을 통해 의료 분류 모델의 과적합을 줄이기 위해.
• 강력한 모델 일반화 성능을 나타내는 바, 훈련 및 테스트 세트에서 모두 높은 분류 정확도를 달성하기 위해.

제안 방법

• 환자 기록의 순차적 임상 특징을 처리하기 위해 1D 컨볼루션 신경망을 설계하였다.
• 입력 임상 데이터에서 계층적 패턴을 추출하기 위해 다수의 컨볼루션 및 풀링 레이어를 사용하였다.
• 과적합 방지를 위해 배치 정규화 및 드롭아웃 레이어를 적용하여 훈련 안정성을 향상시켰다.
• 이진 분류를 위해 확률적 경사 하강법과 분류 교차 엔트로피 손실을 사용하여 네트워크를 훈련시켰다.
• 성능 향상을 위해 하이퍼파ram터 튜닝과 데이터 전처리를 통해 아키텍처를 최적화하였다.
• 일반화 성능 향상을 위해 드롭아웃 및 배치 정규화와 같은 정규화 기법을 통합하였다.

실험 결과

연구 질문

• RQ1 1D-CNN 아키텍처는 고전적 기계학습 모델보다 심장병 예측에서 더 높은 일반화 성능을 달성할 수 있는가?
• RQ2 드롭아웃 및 배치 정규화와 같은 정규화 기법은 의료 딥러닝 모델에서 과적합을 줄이는데 얼마나 효과적인가?
• RQ3 임상 심장병 데이터에 대해 1D-CNN을 사용할 경우, 훈련 및 테스트 세트에서 달성할 수 있는 정확도 수준은 무엇인가?
• RQ4 제안된 모델은 정밀도, 재현율 및 F1 점수 측면에서 기존 분류 알고리즘을 초월하는가?

주요 결과

• 제안된 1D-CNN 모델은 훈련 정확도 97%와 테스트 정확도 96%를 달성하여 뛰어난 성능과 최소한의 과적합을 나타낸다.
• 훈련 및 테스트 정확도 간 격차가 작다는 점에서 고전적 접근에 비해 모델이 훨씬 뛰어난 일반화 성능을 보인다.
• 드롭아웃 및 배치 정규화의 통합은 과적합을 크게 줄여 모델의 강건성을 향상시킨다.
• 비교 평가를 통해 정확도, 정밀도, 재현율 및 F1 점수 측면에서 다른 분류 알고리즘을 능가하는 것으로 확인되었다.
• 임상 파am터를 입력 특징으로 사용함으로써 효과적인 위험 프로파일링과 조기 진단이 가능해진다.
• 아키텍처는 표본화된 임상 데이터에서 복잡한 비선형 패턴을 효과적으로 학습할 수 있어 자동 진단에 적합하다.