[论文解读] Hybrid clustering-classification neural network in the medical diagnostics of reactive arthritis

Yevgeniy Bodyanskiy, Olena Vynokurova+3 more|arXiv (Cornell University)|Oct 21, 2016

Advanced Scientific Research Methods参考文献 13被引用 3

一句话总结

该论文提出了一种混合聚类-分类神经网络，通过整合无监督聚类与有监督分类，提高了反应性关节炎的诊断准确性。利用基于余弦的相似性度量和模糊推理过程，该模型通过自适应学习率和自学习机制，在类别重叠场景下提升了性能，在实验验证中表现出高诊断效率。

ABSTRACT

The hybrid clustering-classification neural network is proposed. This network allows increasing a quality of information processing under the condition of overlapping classes due to the rational choice of a learning rate parameter and introducing a special procedure of fuzzy reasoning in the clustering process, which occurs both with an external learning signal (supervised) and without the one (unsupervised). As similarity measure neighborhood function or membership one, cosine structures are used, which allow to provide a high flexibility due to self-learning-learning process and to provide some new useful properties. Many realized experiments have confirmed the efficiency of proposed hybrid clustering-classification neural network; also, this network was used for solving diagnostics task of reactive arthritis.

研究动机与目标

• 解决由于症状类别重叠导致的反应性关节炎诊断挑战。
• 在不确定性和类别重叠条件下，提升医学诊断中的信息处理质量。
• 开发一种结合有监督与无监督学习的神经网络，以增强鲁棒性。
• 将模糊推理整合到聚类过程中，以提高灵活性和决策准确性。

提出的方法

• 该模型采用混合架构，结合无监督聚类与有监督分类阶段。
• 使用基于余弦的邻域函数作为相似性度量，以在训练过程中实现灵活的自学习适应。
• 在聚类过程中引入特殊的模糊推理程序，以处理不确定性和类别边界的重叠。
• 自适应调整学习率，以优化收敛性和性能。
• 网络同时利用外部（有监督）和内部（无监督）学习信号。
• 系统采用自学习机制，迭代优化聚类形成与分类决策。

实验结果

研究问题

• RQ1 在存在症状类别重叠的情况下，混合神经网络架构能否提高反应性关节炎的诊断准确性？
• RQ2 将模糊推理整合到聚类阶段对分类性能有何影响？
• RQ3 自适应学习率选择在多大程度上增强了模型处理模糊或重叠医学数据的能力？
• RQ4 基于余弦的相似性在提升神经网络的灵活性和鲁棒性方面起到什么作用？
• RQ5 无监督聚类与有监督分类的结合在医学诊断中为何优于传统单一模式方法？

主要发现

• 所提出的混合神经网络在多次实验验证中表现出对反应性关节炎诊断的高效率。
• 在聚类过程中集成模糊推理显著提升了类别重叠条件下的决策准确性。
• 基于余弦的相似性度量在学习过程中实现了更高的灵活性和适应性。
• 自适应学习率选择有助于加快收敛并提升模型稳定性。
• 该模型在诊断准确性和鲁棒性方面优于传统的仅聚类或仅分类方法。
• 该系统成功利用了有标签（有监督）和无标签（无监督）数据，以增强诊断性能。