[논문 리뷰] Machine Learning-Based Heart Disease Diagnosis: A Systematic Literature Review

Md Manjurul Ahsan, Zahed Siddique|arXiv (Cornell University)|2021. 12. 13.

ECG Monitoring and AnalysisMedicine인용 수 19

한 줄 요약

이 체계적 문헌 고찰은 불균형한 심전도 및 환자 데이터로 인해 발생하는 문제를 중심으로 기계학습 기반 심장병 진단 방법을 분석한다. 데이터 수준 및 알고리즘 수준 기법(예: SMOTE, 포칼 손실, 비용 감수성 학습)을 사용하여 49篇의 논문을 평가한 결과, 고급 기법을 통해 최대 99.88%의 정확도를 달성했지만, 클래스 불균형으로 인한 해석 가능성 및 공정성 문제는 여전히 남아 있다.

ABSTRACT

Heart disease is one of the significant challenges in today's world and one of the leading causes of many deaths worldwide. Recent advancement of machine learning (ML) application demonstrates that using electrocardiogram (ECG) and patient data, detecting heart disease during the early stage is feasible. However, both ECG and patient data are often imbalanced, which ultimately raises a challenge for the traditional ML to perform unbiasedly. Over the years, several data level and algorithm level solutions have been exposed by many researchers and practitioners. To provide a broader view of the existing literature, this study takes a systematic literature review (SLR) approach to uncover the challenges associated with imbalanced data in heart diseases predictions. Before that, we conducted a meta-analysis using 451 referenced literature acquired from the reputed journals between 2012 and November 15, 2021. For in-depth analysis, 49 referenced literature has been considered and studied, taking into account the following factors: heart disease type, algorithms, applications, and solutions. Our SLR study revealed that the current approaches encounter various open problems/issues when dealing with imbalanced data, eventually hindering their practical applicability and functionality.

연구 동기 및 목표

• 불균형한 심전도 및 환자 데이터셋을 사용한 기계학습 기반 심장병 진단 접근법을 식별하고 분석하는 것.
• 심장병 예측에서 다수 클래스에 대한 편향을 완화하기 위해 데이터 수준 및 알고리즘 수준 기법의 효과성을 평가하는 것.
• 체계적 문헌 고찰(SLR) 방법론을 활용하여 임상 적용에서 기계학습 모델의 성능, 해석 가능성 및 공정성 평가.
• 특히 데이터 불균형 문제에 초점을 맞춰 기계학습 기반 심장병 진단 분야에서의 열린 도전 과제, 격차 및 향후 연구 방향을 부각하는 것.

제안 방법

• 2012년부터 2021년 11월까지 정부 및 권위 있는 저널에서 발표된 451篇의 참고문헌을 활용해 체계적 문헌 고찰(SLR)을 수행하였다.
• 관련성, 방법론 및 데이터 품질 기준에 따라 49편의 고품질 연구를 선별하여 심층 분석하였다.
• 심장병 유형, 기계학습 알고리즘, 적용 맥락 및 불균형 완화 기법에 따라 연구를 분류하였다.
• 불균형 해결 기법을 데이터 수준(예: SMOTE, ADASYN, GAN 기반 증강) 및 알고리즘 수준(예: 포칼 손실, 비용 감수성 학습)으로 분류하였다.
• 정확도(A_c), 정밀도(P_c), 재현율(R_c), F1-스코어(F_c), 특이도(S_p), 민감도(S_e), AUC와 같은 표준 지표를 사용해 성능을 평가하였다.
• 메타 분석 및 콘텐츠 분석을 수행하여 기존 문헌의 추세, 한계 및 연구 격차를 규명하였다.

Figure 1: Flow diagram of the PRISMA approach utilized in this research

실험 결과

연구 질문

• RQ1 불균형한 심전도 및 환자 데이터를 사용한 심장병 진단에서 가장 흔히 사용되는 기계학습 알고리즘은 무엇인가?
• RQ2 데이터 수준 및 알고리즘 수준 기법은 불균형한 심장병 데이터셋에서 모델 성능 향상에 얼마나 효과적인가?
• RQ3 다양한 데이터셋 및 방법론에 따라 연구에서 보고된 주요 성능 지표는 무엇이며, 그 차이는 어떻게 나타나는가?
• RQ4 심장병 진단에서 기계학습 모델의 해석 가능성, 공정성 및 일반화 능력에 지속적으로 존재하는 과제는 무엇인가?
• RQ5 특히 데이터 불균형 문제를 고려할 때, 기계학습 기반 심장병 진단 분야에서의 주요 연구 격차와 향후 기회는 무엇인가?

주요 결과

• 데이터 수준 기법 중 SMOTE, ADASYN, GAN 기반 데이터 증강이 가장 흔히 사용되었으며, SMOTE는 49편의 연구 중 12편에서 사용되었다.
• 딥러닝 모델에서 특히 증가하는 추세를 보이며 포칼 손실 및 비용 감수성 학습과 같은 알고리즘 수준 접근법이 도입되었다.
• MIT-BIH arrhythmia 데이터셋을 사용한 하이브리드 CNN-LSTM 모델에 SMOTE-Tomek Link 기법을 적용한 결과, 최고의 정확도 99.88%를 기록하였다.
• F1-스코어는 0.79에서 0.9659 사이로 변동하였으며, 최고 성능(F_c = 0.9659)은 MIT-BIH 데이터셋에서 공간-시간 특징 추출 기법을 사용한 DNN 모델에서 달성되었다.
• 민감도 및 특이도 값은 일반적으로 높았으며(각각 99.34% 및 99.82%), 양성 사례의 강력한 탐지 능력을 보였다.
• 높은 정확도에도 불구하고 많은 모델에서 해석 가능성 부족이 있었으며, 정확도 지표를 초월한 공정성 및 편향 완화를 고려한 연구는 소수에 그쳤다.

Figure 2: Publications of ML-based heart disease diagnosis (MLBHDD) by year