[论文解读] Medical diagnosis using neural network

S. M. Kamruzzaman, Ahmed Ryadh Hasan+2 more|arXiv (Cornell University)|Sep 23, 2010

Neural Networks and Applications参考文献 7被引用 36

一句话总结

本文提出了一种改进的前馈神经网络构建算法（MFNNCA），通过逐个添加隐藏单元，增量式构建适用于医学诊断的最优神经网络架构，以提升准确率与泛化能力。在癌症、心脏病和糖尿病数据集上的测试表明，MFNNCA以极简的网络结构实现了高分类性能，相较于人类专家展现出更优越的诊断能力。

ABSTRACT

This research is to search for alternatives to the resolution of complex medical diagnosis where human knowledge should be apprehended in a general fashion. Successful application examples show that human diagnostic capabilities are significantly worse than the neural diagnostic system. This paper describes a modified feedforward neural network constructive algorithm (MFNNCA), a new algorithm for medical diagnosis. The new constructive algorithm with backpropagation; offer an approach for the incremental construction of near-minimal neural network architectures for pattern classification. The algorithm starts with minimal number of hidden units in the single hidden layer; additional units are added to the hidden layer one at a time to improve the accuracy of the network and to get an optimal size of a neural network. The MFNNCA was tested on several benchmarking classification problems including the cancer, heart disease and diabetes. Experimental results show that the MFNNCA can produce optimal neural network architecture with good generalization ability.

研究动机与目标

• 开发一种替代人工医学诊断的方法，以减少错误并提高一致性。
• 解决为复杂医学分类任务构建最小但有效的神经网络架构的挑战。
• 创建一种增量添加隐藏单元的构建算法，以优化网络性能。
• 在真实世界医学数据集上评估该方法，以证明其泛化能力和诊断准确率。
• 证明神经网络在模式分类任务中可超越人类的诊断能力。

提出的方法

• MFNNCA采用一种构建式方法，从单隐藏层中最小数量的隐藏单元开始。
• 该算法逐个添加一个隐藏单元以提升分类准确率。
• 每次添加隐藏单元后，使用反向传播算法对网络进行训练。
• 该过程持续进行，直到准确率不再提升，从而确保网络接近最小化结构。
• 该方法专注于实现最优网络规模，并具备出色的泛化性能。
• 该算法在包括癌症、心脏病和糖尿病在内的基准医学数据集上进行了评估。

实验结果

研究问题

• RQ1 构建式神经网络算法能否生成接近最小化的网络架构，并在医学诊断中实现良好泛化？
• RQ2 与固定结构网络相比，逐个添加隐藏单元是否能提升分类准确率？
• RQ3 MFNNCA能否在模式分类任务中超越人类的诊断能力？
• RQ4 该算法在真实世界医学数据集（如癌症、心脏病和糖尿病）上的有效性如何？
• RQ5 在医学应用中，网络规模与诊断准确率之间存在何种权衡？

主要发现

• MFNNCA成功构建了接近最小化的神经网络架构，在医学数据集上实现了高分类准确率。
• 该算法表现出强大的泛化能力，表明对未见数据具有鲁棒性。
• 增量式构建过程有效提升了准确率，同时保持了最小的结构增长。
• 在测试的模式分类任务中，该方法的诊断性能优于人类专家。
• 该算法在三个基准医学数据集（癌症、心脏病和糖尿病）上得到验证，表现出一致的性能。
• 最终网络架构达到了最优规模，增加更多隐藏单元后不再提升准确率。