[논문 리뷰] Toward Efficient Breast Cancer Diagnosis and Survival Prediction Using L-Perceptron

Hadi Mansourifar, Weidong Shi|arXiv (Cornell University)|2018. 11. 05.

AI in cancer detection참고 문헌 1인용 수 4

한 줄 요약

이 논문은 최소 제곱 분류와 퍼셉트론 학습을 결합하여 비선형 결정 경계를 유연하게 구현할 수 있는 새로운 퍼셉트론 변종인 L-Perceptron을 소개한다. 이는 전처리 또는 특성 선택 없이도 위스콘신 유방암 데이터셋에서 97.42%의 정확도와 98.73%의 민감도를 기록하며 최신 기술 수준의 성능을 달성했고, 하버먼의 생존 데이터셋에서는 75.18%의 정확도와 83.86%의 F1 스코어를 기록하여 이전 방법들을 능가한다.

ABSTRACT

Breast cancer is the most frequently reported cancer type among the women around the globe and beyond that it has the second highest female fatality rate among all cancer types. Despite all the progresses made in prevention and early intervention, early prognosis and survival prediction rates are still unsatisfactory. In this paper, we propose a novel type of perceptron called L-Perceptron which outperforms all the previous supervised learning methods by reaching 97.42 \% and 98.73 \% in terms of accuracy and sensitivity, respectively in Wisconsin Breast Cancer dataset. Experimental results on Haberman's Breast Cancer Survival dataset, show the superiority of proposed method by reaching 75.18 \% and 83.86 \% in terms of accuracy and F1 score, respectively. The results are the best reported ones obtained in 10-fold cross validation in absence of any preprocessing or feature selection.

연구 동기 및 목표

• 조기 유방암 진단 및 생존 예측에서 지속적인 낮은 정확도와 민감도 문제를 해결하기 위해.
• 불균형하고 복잡한 생물의학 데이터셋에서 성능을 향상시킬 수 있는 새로운 지도 학습 모델을 개발하기 위해.
• 높은 예측 성능를 유지하면서도 전처리 또는 특성 선택이 필요 없도록 하기 위해.
• 두 가지 표준 유방암 데이터셋인 위스콘신 유방암 및 하버먼의 생존 데이터셋에서 모델을 검증하기 위해.

제안 방법

• L-Perceptron는 각 특성에 대해 비선형 관계를 모델링하기 위해 최소 제곱 분류와 기존 퍼셉트론 학습을 융합한 하이브리드 접근 방식을 사용한다.
• 각 특성에 대해 데이터에 적합한 수학적 함수(예: 다항식)를 설정하며, 함수의 매개변수는 학습 과정에서 학습된다.
• 사용자가 정의한 차수 범위(dlb, dub) 내에서 각 특성에 대해 최적의 다항식 차수를 동적으로 결정한다.
• 모델은 임계값을 적용한 활성화 함수를 사용하여 인스턴스를 분류하며, p1과 p2는 각각 양성 및 음성 클래스의 특정 타겟 값이다.
• 학습은 사용자 정의 가능한 하이퍼파라미터(학습 반복 횟수, 수렴 임계값 등)를 포함한 커스터마이징된 파이썬 구현(lp.py)을 사용해 반복적으로 수행된다.
• 모든 데이터셋에서 편향 없는 성능 평가를 보장하기 위해 10겹 교차 검증을 사용한다.

실험 결과

연구 질문

• RQ1 전처리 없이도 퍼셉트론 기반 모델이 유방암 진단에서 뛰어난 정확도와 민감도를 달성할 수 있는가?
• RQ2 특성별로 적응적인 함수 피팅을 통해 L-Perceptron이 일반화 성능를 향상시키고 과적합을 줄이는 데 기여하는 방식은 무엇인가?
• RQ3 기존의 분류기인 SVM, 나이브 베이즈, RBF 네트워크와 비교해 L-Perceptron이 표준 유방암 데이터셋에서 뛰어난 성능을 보이는가?
• RQ4 불균형한 생존 예측 과제, 예를 들어 하버먼의 데이터셋에서 모델은 어떤 성능을 보이는가?

주요 결과

• 위스콘신 유방암 데이터셋에서 L-Perceptron는 전처리 또는 특성 선택 없이도 97.42%의 정확도와 98.73%의 민감도를 기록했으며, 이는 보고된 바 중 최고 수준이다.
• 기타 모델들과 비교했을 때 L-Perceptron는 정확도와 민감도 모두 1위를 기록했으며, 나이브 베이즈(97.36% 정확도)와 RBF 네트워크(96.77% 정확도)를 모두 능가했다.
• 하버먼의 생존 데이터셋에서는 75.18%의 정확도와 83.86%의 F1 스코어를 기록했으며, 테스트된 모든 방법 중 최고의 성능를 기록했다.
• 모델는 불균형한 환경에서도 뛰어난 강건성을 보였으며, 낮은 특이도(37.08%)에도 불구하고 높은 민감도(90.04%)를 기록해 양성 생존 사례를 효과적으로 탐지했다.
• L-Perceptron는 하버먼의 데이터셋에서 F1 스코어가 가장 높았으며, MLP(72.64%)와 랜덤 포레스트(80.38%)를 모두 초월했다.
• 모델의 성능는 여러 지표에서 안정적이었으며, 두 데이터셋 모두에서 정확도, 민감도, F1 스코어에서 일관되게 최상위 순위를 기록했다.