[논문]망막 질환 진단을 위한 베이지안 네트워크에 기초한 데이터 분석

김현미; 정성환

doi:10.9717/kmms.2013.16.3.269

망막 질환 진단을 위한 베이지안 네트워크에 기초한 데이터 분석
Bayesian Network-based Data Analysis for Diagnosing Retinal Disease 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.16 no.3, 2013년, pp.269 - 280

초록
AI-Helper

본 논문에서 망막 질환 요인간의 의존도 분석을 위해 효율적인 분류기를 활용할 수 있는 방안을 제시하였다. 먼저 여러 베이지안 네트워크 중에서 TAN (Tree-Augmented Naive Bayesian Network), GBN(General Bayesian Network)과 Markov Blanket으로 특징축소된 GBN과의 분류성능과 예측정확률을 비교분석하였다. 그리고 처음으로, 높은 성능을 보인 TAN을 망막 질환 임상데이터의 의존도 분석에 적용하였다. 의존도 분석 결과, 망막 질환의 진단과 예후 예측에 활용의 가능성을 보였다.

Abstract ▼ AI-Helper

In this paper, we suggested the possibility of using an efficient classifier for the dependency analysis of retinal disease. First, we analyzed the classification performance and the prediction accuracy of GBN (General Bayesian Network), GBN with reduced features by Markov Blanket and TAN (Tree-Augmented Naive Bayesian Network) among the various bayesian networks. And then, for the first time, we applied TAN showing high performance to the dependency analysis of the clinical data of retinal disease. As a result of this analysis, it showed applicability in the diagnosis and the prediction of prognosis of retinal disease.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그리고 높은 성능을 보인 분류기를 선택하여, 망막 질환 요인들의 의존도 관계를 분석해 본다. 그리고 실험 결과를 바탕으로 망막 질환의 진단과 예후 예측에 정보 제공의 가능성을 제시하고자 한다.
본 연구의 실험결과, 순수 베이지안의 단순함과 네트워크 속성들 사이의 의존성을 표현하는 능력을 결합한 TAN이 높은 예측정확률을 보이며, 질환 요인들 간의 상호의존 관계를 가장 잘 나타내었다. 따라서 망막 질환의 진단과 예후 예측에 정보를 제공하기 위해 TAN의 활용을 우선적으로 제안한다. 앞으로 연구는 객관성을 입증하기 위해 더 많은 속성들을 가진 임상데이터의 수집이 필요하다.
현재까지는 망막 질환 데이터 영역에서는 기계학습이나 베이지안 네트워크 적용이 없었고, 주로 SPSS와 같은 통계툴을 이용하여 요소들 간의 분산분석, 상관계수와 클래스별 분포상태 등을 알아보는 수준이었다[10-12]. 따라서 본 논문에서는 효율적인 분류기를 선택하고 망막 질환 요인들 간의 상호의존도를 분석하기 위해, 망막 임상데이터를 대상으로 베이지안 네트워크를 적용하여 데이터 분석을 처음으로 시도한다.
따라서 TAN이 망막 임상데이터에 대하여 Markov Blanket된 GBN보다 예측정확성이 우수하다. 본 연구에서는 가장 높은 성능을 보인 TAN을 적용하여 망막 질환 요인들의 상호 의존도 관계를 분석하였다.
본 연구에서는 망막 임상데이터 분석에서 효율적인 분류기를 선택하기 위해, TAN이 GBN이나 특징 축소 방법으로 Markov Blanket된 GBN보다 우수한 분류 성능을 보여줄 수 있는지를 실험을 통해 알아보고자 한다.

가설 설정

TAN은 NBN과는 달리 속성 노드들 간에도 상호 의존도가 존재한다고 가정하고 이러한 속성 간 상호 의존도를 하나의 일반 베이지안 네트워크 형태로 표현 가능하도록 NBN을 확장한 것이다. 즉, TAN은 그림 2와 같이 NBN을 기반으로 트리구조의 네트워크를 결합하는 형태이다.

제안 방법

GBN의 Markov Blanket으로 이루어진 속성 추출을 위하여, 먼저 Cheng이 구현한 조건부 독립성 검사기반의 BN PowerConstructor(BNPC)를 이용하여 GBN을 학습한다. 생성된 GBN에서 Markov blanket으로 추출된 속성들은 그림 3과 같다.
지금까지는 망막 질환 데이터마이닝에서 주로 SPSS와 같은 통계툴을 사용하여 요소들 간의 분산 분석, 상관계수와 클래스별 분포 상태 등을 알아볼 수 있었다. 그러나 본 논문에서는 베이지안 네트워크를 망막 임상데이터에 처음으로 적용하여, 각 질환 요인들 간의 상호의존 관계와 의존도의 강도를 분석하였다.
범주화되는 각 속성들의 범위를 알기 위해 표 4와 같이 BNPC를 통해서 나온 산출물을 참조하였다. 그리고 C++ 로 프로그래밍하여 해당 속성 값들을 범주형으로 변환하였다. 그림 4는 모든 속성들을 범주형으로 변환한 다음에 Weka로 전처리 작업을 하여 나온 산출물이다.
본 연구의 실험에서는 TAN, GBN과 Markov Blanket 방법으로 특징축소된 GBN 등의 다양한 베이지안 네트워크 기법을 적용하여, 분류성능과 예측 정확률을 비교분석한다. 그리고 높은 성능을 보인 분류기를 선택하여, 망막 질환 요인들의 의존도 관계를 분석해 본다. 그리고 실험 결과를 바탕으로 망막 질환의 진단과 예후 예측에 정보 제공의 가능성을 제시하고자 한다.
지금까지 보고된 기존 연구에서는 망막 질환 임상 데이터에 대하여 주로 SPSS 통계처리를 통한 분석 방법을 사용하였다. 먼저 전문가의 진단으로 측정 기준인 IS/OS (junction of Inner Segment and Outer Segment of photoreceptor layer, 망막광수용체층의 경계선)의 상태에 따라 IS/OS 라인이 끊어짐 없이 완전히 관찰되는 정상군, 불연속적으로 존재하는 부분군, 라인이 손상되어 완전히 소멸되어 있는 손상군의 세 그룹으로 분류한다. 연구결과를 살펴보면 Oishi 등[10]과 Michael 등[11]은 IS/OS 등급은 시력(VA: Visual Acuity)과 중심망막두께(CFT: Central Foveal Thickness)와 관련하여 통계적으로 유의한 의미관계가 있다고 주장하였다.
망막 데이터 속성들 중에서 수치형 값인 age(나이), oneset(발생시기), ft(망막두께), va(시력) 등을 범주형 값으로 변환해야 한다. 범주화되는 각 속성들의 범위를 알기 위해 표 4와 같이 BNPC를 통해서 나온 산출물을 참조하였다. 그리고 C++ 로 프로그래밍하여 해당 속성 값들을 범주형으로 변환하였다.
본 연구의 실험에서는 TAN, GBN과 Markov Blanket 방법으로 특징축소된 GBN 등의 다양한 베이지안 네트워크 기법을 적용하여, 분류성능과 예측 정확률을 비교분석한다. 그리고 높은 성능을 보인 분류기를 선택하여, 망막 질환 요인들의 의존도 관계를 분석해 본다.
표 10에서는 TAN을 이용한 결과로 isos 클래스 노드별 나이에 따른 OCT상 소견과의 상호의존관계를 분석했다. 정상군(isos=0) 일 때는 황반에 부종이 생기는 CME(황반부종)이나 망막위에 팽팽한 막이웃자라는 ERM(망막전막) 등의 증상이 거의 없다.

대상 데이터

그리고 망막의 손상된 상태에 따라서 정상군(0), 부분군(1), 손상군(2)의 세 그룹으로 분리한다. 데이터 속성들은 표 3과 같이 나이(age), 가족력(fhx), 유전모델(model), 발생시기(onset), 망막두께(ft), OCT상에서 보이는 소견(finding), 황반부종(cme), 황반부종길이(length), 시야검사(gvf), LogMar 시력(va), 분류클래스(isos) 등 총 11가지이다.
본 논문의 연구대상인 망막은 우리 눈의 내부에 있는 얇은 신경막으로 카메라에 비유하면 필름에 해당되는데 한번 손상이 되면 다시는 회복하지 못하는 눈의 중요한 일부이다. 따라서 망막 질환의 진단과 예측을 위해 관련 정보를 제공할 수 있는 연구가 필요하다[9].
본 연구에서는 A대학병원 안과학교실의 협조로 104명의 망막 임상데이터를 가지고 우안, 좌안 데이터를 각각 독립적으로 보아 총 208안의 샘플을 대상으로 하였다. 그리고 망막의 손상된 상태에 따라서 정상군(0), 부분군(1), 손상군(2)의 세 그룹으로 분리한다.

성능/효과

TAN, GBN과 Markov Blanket 적용된 GBN의 실험결과를 보면, 훈련집합에서는 크기가 n=30 일 때 Markov Blanket으로 특징 축소된 GBN의 예측정확률이 높지 않았으나 60, 90으로 갈수록 GBN보다 높았다. 또한 테스트 집합과 10-fold 검증집합에서도 GBN보다 높게 나타났다.
평균자승오차제곱근(RMSE)은 오차 제곱의 평균에 제곱근을 취한 것으로 표준편차의 정의와 동일하다. TAN에서의 절대평균오차(MAE)은 0.14이며 평균자승오차제곱근(RMSE)은 0.23로 Markov Blanket된 GBN의 MAE 0.28, RMSE 0.37보다 더 낮게 나타났다. 따라서 TAN이 망막 임상데이터에 대하여 Markov Blanket된 GBN보다 예측정확성이 우수하다.
Weka에서 TAN, GBN과 Markov Blanket된 GBN에 대하여 분류성능을 실험한 결과, TAN은 분류성능이 우수하다고 알려진 Markov Blanket된 GBN보다 예측정확률이 높았다. 이는 Markov Blanket으로 특징축소된 GBN이 최소한의 설명 노드들로 축소구 성되어, TAN보다 일반화 능력이 떨어지는 결과를 보였다고 판단된다.
또한 테스트 집합과 10-fold 검증집합에서도 GBN보다 높게 나타났다. 그러나 TAN과의 비교에서는 훈련집합, 테스트집합과 10-fold 검증집합에서 모두 Markov Blanket된 GBN이 낮은 성능을 보였다. 이는 Markov Blanket 방법이 최소한의 설명 노드들로 구성하여 복잡도를 줄여 일반화시키는 과정에서 TAN보다 예측정확률이 떨어진다고 판단된다.
이는 Markov Blanket으로 특징축소된 GBN이 최소한의 설명 노드들로 축소구 성되어, TAN보다 일반화 능력이 떨어지는 결과를 보였다고 판단된다. 높은 성능을 보인 TAN의 비순환유향그래프(DAG)와 조건부확률표(CPT)에 근거한 분석을 통해, 질환 요인들 간의 확률적 의존관계를 파악하여 상호의존도를 알 수 있었다. 예를 들면, 가족력이 없는 상태가 가족력이 있는 경우보다 질환 발생가능성이 높기 때문에, 평소에 눈과 망막관리에 신경써야 한다는 것을 알 수 있었다.
예를 들면, 가족력이 없는 상태가 가족력이 있는 경우보다 질환 발생가능성이 높기 때문에, 평소에 눈과 망막관리에 신경써야 한다는 것을 알 수 있었다. 또한 망막이 손상되어 부분군(1)과 손상군(2)이 되면 망막두께가 얇아지거나 부종으로 두꺼워지면서 시력이 나빠진다는 것을 알 수 있었다.
TAN, GBN과 Markov Blanket 적용된 GBN의 실험결과를 보면, 훈련집합에서는 크기가 n=30 일 때 Markov Blanket으로 특징 축소된 GBN의 예측정확률이 높지 않았으나 60, 90으로 갈수록 GBN보다 높았다. 또한 테스트 집합과 10-fold 검증집합에서도 GBN보다 높게 나타났다. 그러나 TAN과의 비교에서는 훈련집합, 테스트집합과 10-fold 검증집합에서 모두 Markov Blanket된 GBN이 낮은 성능을 보였다.
본 연구의 망막 질환 요인들 간의 상호의존도 분석에 사용된 베이지안 네트워크의 장점은 신경망의 분류기와 비교해서 도메인 지식을 적용하기 쉬우며 결과의 분석이 가능하다. 단점으로는 입력값으로 수치값(numeric value) 이 아닌 범위가 정해진 범주값(categorical value)을 사용함으로써 정확도면에서 문제가 생길 수 있으며, 노드수가 많아지면 실험시간이 오래 걸린다.
본 연구의 실험결과, 순수 베이지안의 단순함과 네트워크 속성들 사이의 의존성을 표현하는 능력을 결합한 TAN이 높은 예측정확률을 보이며, 질환 요인들 간의 상호의존 관계를 가장 잘 나타내었다. 따라서 망막 질환의 진단과 예후 예측에 정보를 제공하기 위해 TAN의 활용을 우선적으로 제안한다.
실제 SPSS 통계툴을 적용한 표 1과 같은 실험결과로 IS/OS 라인의 변성이 심할수록 중심망막두께도 얇아지게 되고 결국 시력도 떨어진다는 것을 알 수 있었다. 그러므로 망막 질환을 가진 환자를 모니터링 할 때 IS/OS 상태가 어느 요소보다도 더 중요한 설계요소가 되어야 한다.
645의 측정치가 나왔다. 여기서 IS/OS 클래스는 중심망막두께보다는 LogMAR 시력에서 양의 상관관계로 더욱 유의한 관계가 있음을 알 수 있다.
Weka에서 TAN, GBN과 Markov Blanket된 GBN에 대하여 분류성능을 실험한 결과, TAN은 분류성능이 우수하다고 알려진 Markov Blanket된 GBN보다 예측정확률이 높았다. 이는 Markov Blanket으로 특징축소된 GBN이 최소한의 설명 노드들로 축소구 성되어, TAN보다 일반화 능력이 떨어지는 결과를 보였다고 판단된다. 높은 성능을 보인 TAN의 비순환유향그래프(DAG)와 조건부확률표(CPT)에 근거한 분석을 통해, 질환 요인들 간의 확률적 의존관계를 파악하여 상호의존도를 알 수 있었다.
Weka를 활용하여 기계학습으로 얻어진 지식을 바탕으로 분류실험을 한 결과는 표 5와 같다. 테스트 집합보다 훈련집합에서의 분류정확률이 높게 나타났고, 10-겹 교차검증의 분류정확률은 훈련집합보다 낮으나 테스트집합보다는 약간 높은 성능을 보여주었다.

후속연구

앞으로 연구는 객관성을 입증하기 위해 더 많은 속성들을 가진 임상데이터의 수집이 필요하다. 그리고 망막 임상테이터의 분석에 효과적으로 쓰일 수 있는 의료정보시스템을 구축할 예정이다.
그러므로 망막 질환을 가진 환자를 모니터링 할 때 IS/OS 상태가 어느 요소보다도 더 중요한 설계요소가 되어야 한다. 따라서, 기계학습을 통한 훈련으로 자동분류를 가능하게 함으로써 IS/OS 클래스별 분포상태가 자동으로 파악된다면 치료효과를 신속하게 예측할 수 있는 장점이 있기 때문에 이에 대한 연구가 필요하다[13].
따라서 망막 질환의 진단과 예후 예측에 정보를 제공하기 위해 TAN의 활용을 우선적으로 제안한다. 앞으로 연구는 객관성을 입증하기 위해 더 많은 속성들을 가진 임상데이터의 수집이 필요하다. 그리고 망막 임상테이터의 분석에 효과적으로 쓰일 수 있는 의료정보시스템을 구축할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	베이지안 네트워크는 어떻게 구성되는가?	베이지안 네트워크는 확률 값이 모인 집합의 결합확률분포의 결정모델이다. 베이지안 네트워크는 특정분야의 영역지식을 확률적으로 표현하는 대표적인 수단으로, 변수들 간의 확률적 의존관계를 나타내는 그래프와 각 변수별 조건부 확률로 구성된다[14]. 따라서 하나의 BN은 각 노드마다 하나의 조건부확 률표(CPT: Conditional Probability Table)를 갖는비순환유향그래프(DAG: Directed Acyclic Graph) 로 정의할 수 있다.
	TAN이란?	베이지안 네트워크의 여러 유형 중에서 Friedman 등[4]에 의해 소개된 TAN(Tree-Augmented Naive Bayesian Network)은 NBN(Naive Bayesian Network)의 노드 독립성 가정을 완화하기 위해, 자식노드들 사이에 트리형태의 관계가 있음을 가정한 네트워크이다. 기존의 연구들에서 Jiang 등[5]이 TAN이 분류정확성이나 에러비율에서 NBN보다 우수하다고 하였다.
	베이지안 네트워크의 단점은 무엇인가?	본 연구의 망막 질환 요인들 간의 상호의존도 분석에 사용된 베이지안 네트워크의 장점은 신경망의 분류기와 비교해서 도메인 지식을 적용하기 쉬우며 결과의 분석이 가능하다. 단점으로는 입력값으로 수치값(numeric value) 이 아닌 범위가 정해진 범주값(categorical value)을 사용함으로써 정확도면에서 문제가 생길 수 있으며, 노드수가 많아지면 실험시간이 오래 걸린다. 하지만 의학지식을 적용하여 분석 등이 가능한 의학 도메인에서 도메인 지식 가능성이나 원인분석이 가능하다는 큰 특성이 있다[1].

참고문헌 (19)

손호선, 이헌규, 조경환, 류근호, 노기용, "심장 질환 진단을 위한 베이지안 분류기법," 한국정보처리학회 춘계학술발표대회 논문집, 제13권, 제1호, pp. 39-42, 2006.
정용규, 김인철, "베이지안 망에 기초한 불임환자 임상데이터의 분석," 정보처리학회논문지B, 제9-B권, 제5호, pp. 625-633, 2002.

원문보기 상세보기
이제영, 최영진, "베이지안 네트워크를 활용한 정신장애 질병 섬망의 주요 위험인자와 오즈비," 한국데이터정보과학회지, 제22권, 제2호, pp. 217-225, 2011.

원문보기 상세보기
N. Friedman, M. Geiger, and M. Goldszmidt, "Bayesian Network Classifiers," Machine Learning, Vol. 29, Issue 2-3, pp. 131-163, 1997.
Liangxiao Jiang, Zhihua Cai, Dianhong Wang, and Harry Zhang, "Improving Tree Augmented Naive Bayes for Class Probability Estimation," Konwledge-Based Systems, Vol. 26, pp. 239-245, 2012.

상세보기
A. Chinnasamy, W.K. Sung, and A. Mittal, "Protein Structure and Fold Prediction using Tree-Augmented Naive Bayesian Classifier," Pacific Symposium on BioComputing 9, pp. 387-398, 2004.
J. Cheng and R. Greiner, "Comparing Bayesian Network Classifiers," Proc. of the 15th Conf. on Uncertainty in Artificial Intelligence, pp. 101-107, 1999.
I. Tsamardinos, C.F. Aliferis., and A. Statnikov, "Time and Sample Efficient Discovery of Markov Blankets and Direct Causal Relations," The 9th ACM SIGKDD International Conference on Konwledge Discovery and Data Mining, pp. 24-27, 2003.
유형곤, 유전성 망막질환, 서울대학교출판문화원, 서울, 2011.
S. Aizawa, Y. Mitamura, T. Baba, A. Hagiwara, K. Ogata, and S. Yamamoto, "Correlation Between Visual Function and Photoreceptor Inner/outer Segment Junction in Patients with Retinitis Pigmentosa," Eye, Vol. 23, No. 2, pp. 304-308, 2009.

상세보기
A. Oishi, A. Otani, M. Sasahara, H. Kojima, H. Nakaura, M. Kurioto, and N. Yoshimura, "Photoreceptor Integrity and Visual Acuity in Cystoids Macular Oedema Associated with Retinitis Pigmentosa," Eye, Vol. 23, No. 6, pp. 1411-1416, 2009.

상세보기
Michael A. Sandberg, Robert J. Brockhurst, Alexander R. Gaudio, and Eliot L. Berson, "The Association Between Visual Acuity and Central Retinal Thickness Retinitis Piagmentosa," IOVS, Vol. 46, No. 9, pp. 3349-3354, 2005.
김현미, 우용태, 정성환, "망막색소변성 데이터의 예후예측을 위한 패턴 분류," 멀티미디어학회논문지, 제15권, 제6호, pp. 701-710, 2012.

원문보기 상세보기
Jensen F.V., An Introduction to Bayesian Networks, Springer-Verlag, New York, 1996.
P. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining, Addison Wesley Longman, California, 2007.
J. Cheng and R. Greiner, "Learning Bayesian Belief Network Classifiers : Algorithm and System," Proc. the Fourteenth Canadian Conference on Artificial Intelligence, No. 2056, pp. 141-151, 2001.
Weka Manual 3.6.5, http://www.cs.waikato.ac.nz/ml/weka, 2012.
Michael A. Sandberg, Robert J. Brockhurst, Alexander R. Gaudio, and Eliot L. Berson, "Visual Acuity Is Related to Parafoveal Retinal Thickness in Patients with Retinitis Pigmentosa and Macular Cysts," IOVS, Vol. 49, No. 10, pp. 4568-4572, 2008.

상세보기
Hyewon Chung, Jong-Uk Hwang, June-Gone Kim, and Young Hee Yoon, "Optical Coherence Tomography in the Diagnosis and Monitoring of Cystoid Macular Edema in Patients with Retinitis Pigmentosa," Retina, Vol. 26, No. 8, pp. 922-927, 2006.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증