전통적으로 종단연구에서는 예측 모델링을 위한 통계적인 방법으로 로지스틱 회귀분석, 콕스 회귀분석, 기계학습을 사용했다. 이 방법들은 반복 측정된 데이터를 사용할 때에 한 시점만의 자료를 사용하거나, 측정치들을 평균값을 내는 등 통합하여 분석하였다. 반면 딥러닝 기반 ...
전통적으로 종단연구에서는 예측 모델링을 위한 통계적인 방법으로 로지스틱 회귀분석, 콕스 회귀분석, 기계학습을 사용했다. 이 방법들은 반복 측정된 데이터를 사용할 때에 한 시점만의 자료를 사용하거나, 측정치들을 평균값을 내는 등 통합하여 분석하였다. 반면 딥러닝 기반 순환신경망 기법은 대상자들이 여러 시점마다 측정된 자료를 모두 사용하기 때문에 의료 데이터를 효율적으로 사용한 모델링이 가능하다. 본 연구에서는 Long Short-Term Memory models, Gated Recurrent Unit, Reverse Time Attention Mechanism의 모델을 사용하여 급성심근경색 발생 예측 모형을 구축하고, 성능을 비교하였다. 모델링 결과 LSTM이 AUC 0.75, 정확도 0.75로 가장 좋은 성능을 보였다. RETAIN에서는 독립변수들의 기여계수를 산출함으로써 기존에 딥러닝에서 한계점으로 지적되었던 블랙박스 문제를 해결하며 해석가능한 딥러닝의 가능성을 확인할 수 있었다. 본 연구는 딥러닝 기반 순환 신경망 모델링으로 축적된 의료데이터의 효율적 이용 가능성을 제안하였고, 해석 가능한 딥러닝의 적용을 실제 분석을 통해 확인하였다.
전통적으로 종단연구에서는 예측 모델링을 위한 통계적인 방법으로 로지스틱 회귀분석, 콕스 회귀분석, 기계학습을 사용했다. 이 방법들은 반복 측정된 데이터를 사용할 때에 한 시점만의 자료를 사용하거나, 측정치들을 평균값을 내는 등 통합하여 분석하였다. 반면 딥러닝 기반 순환신경망 기법은 대상자들이 여러 시점마다 측정된 자료를 모두 사용하기 때문에 의료 데이터를 효율적으로 사용한 모델링이 가능하다. 본 연구에서는 Long Short-Term Memory models, Gated Recurrent Unit, Reverse Time Attention Mechanism의 모델을 사용하여 급성심근경색 발생 예측 모형을 구축하고, 성능을 비교하였다. 모델링 결과 LSTM이 AUC 0.75, 정확도 0.75로 가장 좋은 성능을 보였다. RETAIN에서는 독립변수들의 기여계수를 산출함으로써 기존에 딥러닝에서 한계점으로 지적되었던 블랙박스 문제를 해결하며 해석가능한 딥러닝의 가능성을 확인할 수 있었다. 본 연구는 딥러닝 기반 순환 신경망 모델링으로 축적된 의료데이터의 효율적 이용 가능성을 제안하였고, 해석 가능한 딥러닝의 적용을 실제 분석을 통해 확인하였다.
Traditionally, longitudinal studies have used logistic regression, cox regression, and machine learning as statistical methods for predictive modeling. These methods were analyzed by using a single point data , or analyzed by using mean value. On the other hand, deep learning-based recurrent neural ...
Traditionally, longitudinal studies have used logistic regression, cox regression, and machine learning as statistical methods for predictive modeling. These methods were analyzed by using a single point data , or analyzed by using mean value. On the other hand, deep learning-based recurrent neural network enables the efficient use and modeling of medical data by utilizing data acquired at different time points. This study built a prediction model of acute myocardial infarction using the models of Long Short-Term Memory(LSTM), Gated Recurrent Unit(GRU), and Reverse Time Attention Mechanism(RETAIN), and compared the models’ performances. Modeling results showed LSTM performed best with AUC 0.75 and accuracy 0.75. In RETAIN, the contribution coefficient of independent variables was calculated to address the problem of black boxes previously pointed out as a limit in deep learning and to identify the possibility of interpretable deep learning. This study proposed the possibility of efficient use of medical data accumulated from deep learning based recurrent neural network modeling, and confirmed the application of interpretable deep learning through practical analysis.
Traditionally, longitudinal studies have used logistic regression, cox regression, and machine learning as statistical methods for predictive modeling. These methods were analyzed by using a single point data , or analyzed by using mean value. On the other hand, deep learning-based recurrent neural network enables the efficient use and modeling of medical data by utilizing data acquired at different time points. This study built a prediction model of acute myocardial infarction using the models of Long Short-Term Memory(LSTM), Gated Recurrent Unit(GRU), and Reverse Time Attention Mechanism(RETAIN), and compared the models’ performances. Modeling results showed LSTM performed best with AUC 0.75 and accuracy 0.75. In RETAIN, the contribution coefficient of independent variables was calculated to address the problem of black boxes previously pointed out as a limit in deep learning and to identify the possibility of interpretable deep learning. This study proposed the possibility of efficient use of medical data accumulated from deep learning based recurrent neural network modeling, and confirmed the application of interpretable deep learning through practical analysis.
주제어
#딥러닝 순환신경망 국민건강보험공단 자료 급성심근경색 발생 예측 반복측정자료 deep learning Recurrent Neural Network National Health Insurance Service data Acute Myocardial Infarction Incidence repeated measure
학위논문 정보
저자
유민희
학위수여기관
연세대학교 대학원
학위구분
국내석사
학과
의학통계학과
지도교수
강대용
발행연도
2020
총페이지
ii, 39장
키워드
딥러닝 순환신경망 국민건강보험공단 자료 급성심근경색 발생 예측 반복측정자료 deep learning Recurrent Neural Network National Health Insurance Service data Acute Myocardial Infarction Incidence repeated measure
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.