[논문 리뷰] On Appropriate Selection of Fuzzy Aggregation Operators in Medical Decision Support System

K. M. Motahar Hossain, Zahir Raihan외 1명|arXiv (Cornell University)|2013. 04. 09.

Multi-Criteria Decision Making참고 문헌 6인용 수 9

한 줄 요약

이 논문은 임상 지침과 밀접하게 일치하는 DSS 출력을 달성하기 위해, 전문가 지도 하에 실증적 테스트를 통해 인간의 의사결정 패턴을 재현하는 데이터 기반 접근법을 제안한다. 테스트 케이스에서 매개변수화된 및 비매개변수화된 연산자들을 평가하고 정확도를 최대화하는 임계값을 선택함으로써, 의료 의사결정 지원 시스템(DSS)에서 최적의 퍼지 집합 연산자를 선별하는 방법을 제시한다.

ABSTRACT

The Decision Support System (DSS) contains more than one antecedent and the degrees of strength of the antecedents need to be combined to determine the overall strength of the rule consequent. The membership values of the linguistic variables in Fuzzy have to be combined using an aggregation operator. But it is not feasible to predefine the form of aggregation operators in decision making. Instead, each rule should be found based on the feeling of the experts and on their actual decision pattern over the set of typical examples. Thus this work illustrates how the choice of aggregation operators is intended to mimic human decision making and can be selected and adjusted to fit empirical data, a series of test cases. Both parametrized and nonparametrized aggregation operators are adapted to fit empirical data. Moreover, they provided compensatory properties and, therefore, seemed to produce a better decision support system. To solve the problem, a threshold point from the output of the aggregation operators is chosen as the separation point between two classes. The best achieved accuracy is chosen as the appropriate aggregation operator. Thus a medical decision can be generated which is very close to a practitioner's guideline.

연구 동기 및 목표

• 규칙의 결과가 복합된 소속도 값에 의존하는 의료 DSS에서 적절한 퍼지 집합 연산자를 선택하는 데 도전하는 것.
• 전문가 지식과 실증 데이터를 통합하여 의료 진단에서 인간의 의사결정 행동을 모델링하는 것.
• 테스트 케이스에 대한 체계적 평가를 통해 가장 우수한 성능을 보이는 집합 연산자를 식별하여 의사결정 지원 정확도를 향상시키는 것.
• 더 현실적이고 균형 잡힌 의료 의사결정 결과를 얻기 위해 집합 과정에서 상쇄 성질을 유지하는 것.
• 최대 정확도로 진단 결과를 분리할 수 있는 임계값 기반 분류 체계를 수립하는 것.

제안 방법

• 일반적인 의료 의사결정 케이스 세트를 사용하여 매개변수화된 및 비매개변수화된 퍼지 집합 연산자를 실증적으로 평가한다.
• 전문가의 의사결정 패턴을 기준으로 삼아 인간의 추론을 가장 잘 모방하는 집합 연산자를 선별한다.
• 각 집합 연산자의 출력에 임계값을 적용하여 결과를 두 가지 진단 클래스로 분류한다.
• 테스트 케이스 전반에서 가장 높은 분류 정확도를 달성하는 집합 연산자를 최적의 선택으로 선정한다.
• 결과의 균형과 현실성을 유지하기 위해 상쇄 성질을 가진 집합 연산자를 우선시한다.
• 선택된 연산자가 임상 지침과 일치하는지 검증하여 임상의사의 의사결정 패턴과의 일치성을 확보한다.

실험 결과

연구 질문

• RQ1 의료 진단에서 어떤 퍼지 집합 연산자가 전문가의 의사결정 패턴을 가장 잘 재현하는가?
• RQ2 매개변수화된 및 비매개변수화된 집합 연산자는 실증적 의료 데이터에 어떻게 적응시켜 DSS 성능을 향상시킬 수 있는가?
• RQ3 퍼지 의료 의사결정 지원 시스템에서 분류 정확도를 최대화하는 최적의 임계값은 무엇인가?
• RQ4 상쇄 성질을 가진 집합 연산자는 의료 의사결정 결과의 현실성과 정확도를 어느 정도 향상시키는가?
• RQ5 데이터 기반의 집합 연산자 선별 방식은 기존 임상 지침과 밀접하게 일치하는 결과를 도출할 수 있는가?

주요 결과

• 제안된 방법은 실증적 테스트 케이스에서 전문가의 의사결정 패턴과 일치시키는 방식으로 가장 적합한 퍼지 집합 연산자를 성공적으로 식별한다.
• 상쇄 성질을 가진 집합 연산자가 비상쇄 성질 대비 더 현실적이고 균형 잡힌 의사결정 결과를 도출하는 것으로 나타났다.
• 가장 뛰어난 성능을 보인 집합 연산자는 가장 높은 정확도로 의료 케이스를 분류했으며, 임상 지침과 매우 유사한 결과를 도출했다.
• 최적의 연산자를 사용한 임계값 기반 분류 체계는 진단 클래스 간 명확한 분리를 가능하게 하여 시스템의 신뢰도를 향상시켰다.
• 전문가 지식과 실증 데이터 기반의 선택을 융합함으로써 의사결정 지원 시스템의 전반적인 타당성과 실용성이 향상되었다.
• 사전 정의된 집합 연산자 사용 방식은 열등한 성능을 보였으며, 오히려 실증 기반의 선별 방식이 실제 의료 응용 분야에서 뛰어난 성능을 발휘함을 입증했다.