[논문]이기종 머신러닝 모델 기반 치매예측 모델

이태인; 오하영

doi:10.6109/jkiice.2021.25.12.1729

이기종 머신러닝 모델 기반 치매예측 모델
Dementia Prediction Model based on Gradient Boosting 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.12, 2021년, pp.1729 - 1738

이태인 (Psychology & Applied Artifical Intelligence, Sungkyunkwan University) , 오하영 (College of Computing and Informatics, Sungkyunkwan University)

초록
AI-Helper

머신러닝은 인지심리, 뇌과학과 긴밀한 관계를 유지하며 함께 발전하고 있다. 본 논문은 OASIS-3 dataset을 머신러닝 기법을 이용하여 분석하고, 이를 통해 치매를 예측하는 모델을 제안한다. OASIS-3 데이터 중 각 영역의 부피를 수치화한 데이터들에 대해 PCA(Principal component analysis) 를 통한 차원 축소를 실행한 뒤, 중요한 요소(특징)들만 추출 후 이에 대해 그래디언트 부스팅, 스태킹을 포함한 다양한 머신러닝 모델들을 적용, 각각의 성능을 비교한다. 제안하는 기법은 기존 연구들과 달리 뇌 생체 데이터들은 물론 참가자의 성별 등의 기본 정보 데이터, 참여자의 의료 정보 데이터를 사용했기에 차별성이 크다. 또한, 다양한 성능평가를 통해 제안하는 기법이 다양한 수치 데이터 중 치매와 더 많은 관련성을 보이는 특징들을 찾아내어 치매를 더 잘 예측할 수 있는 모델임을 보였다.

Abstract ▼ AI-Helper

Machine learning has a close relationship with cognitive psychology and brain science and is developing together. This paper analyzes the OASIS-3 dataset using machine learning techniques and proposes a model for predicting dementia. Dimensional reduction through PCA (Principal Component Analysis) is performed on the data quantifying the volume of each area among OASIS-3 data, and only important elements (features) are extracted and then various machine learning including gradient boosting and stacking Apply the models and compare the performance of each. Unlike previous studies, the proposed technique has a great differentiation because it uses not only the brain biometric data, but also basic information data such as the participant's gender and medical information data of the participant. In addition, it was shown that the proposed technique through various performance evaluations is a model that can better predict dementia by finding features that are more related to dementia among various numerical data.

주제어

표/그림 (12)

표 Table. 1 Comparison table of the previous work
그림 Fig. 1 The proposed scheme
그림 Fig. 2 PCA (Principal Component Analysis) example
그림 Fig. 3 Performance evaluation (i.e., binary scree plot)
표 Table. 2 freesurfers_a feature[11]
표 Table. 3 binary information
그림 Fig. 4 Performance evaluation (i.e., multi scree plot)
표 Table. 4 multi information
표 Table. 5 Metrics
표 Table. 6 Results per each model(1)
표 Table. 7 Results per each model(2)
표 Table. 8 Results per each model(3)

참고문헌 (12)

T. F. Oltmanns and R. E. Emery, "Abnormal Psychology," eight eidition, PEARSON, 2015.
C. Lian, M. Liu, Y. Pan, and D. Shen, "Attention-Guided Hybrid Network for Dementia Diagnosis With Structural MR Images," IEEE transactions on cybernetics, pp. 1-20, 2020.
Y. B. Lee, K. Yoo, J. H. Roh, W. J. Moon, and Y. Jeong, "Brain-State Extraction Algorithm Based on the State Transition(BEST): A Dynamic Functoinal Brain Network Analysis in fMRI Study," Brain Topography vol. 32, pp. 897-913, 2019.

상세보기
S. E. Ryu, D. H. Shin, and K. Chung, "Prediction Model of Dementia Risk Based on XGBoost Using Derived Variable Extraction and Hyper Parameter Optimization," IEEE Access, vol. 8, pp. 177708-177720, 2020.

상세보기
S. Buvari and K. Pettersson, "A Comparison on Image, Numerical and Hybrid based Deep Learning for Computer-aided AD Diagnostics," Degree Project In Technology, First Cycle, 15 Credits Stockholm, Sweden, vol. 1, pp. 1-20, 2020.
A. C. Muller and S. Guido, "Introduction to Machine Learning with Python," O'Reilly, Hanbit, pp. 178-180, 2018.
A. Geron, "Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow Concepts, Tools, and Techniques to Build Intelligent Systems," O'Reilly, pp. 191-202, 2017.
T. Chen and C. Guestrin, "XGBoost: A Scalable Tree Boosting System," KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data, pp. 785-794, 2016.
D. S. Marcus, T. H. Wang, J. Parker, J. G. Csernansky, J. C. Morris, and R. L. Buckner, "Open Access Series of Imaging Studies (OASIS): cross-sectional MRI data in young, middle aged, nondemented, and demented older adults," J. Cogn. Neurosci, vol. 19, no. 9, pp. 1498-1507, 2007.

상세보기
P. J. LaMontagne, T. LS. Benzinger, J. C. Morris, K. Sarah, H. Russ, X. Chengjie, G. Elizabeth, H. Jason, M. K. Vlassenko, G. A. Raichle, E. Marcus, C. Carlos, and M. Daniel, "OASIS-3:Longitudinal Neuroimaging, Clinical, and Cognitive Dataset for Normal Aging and Alzheimer Disease," medRxiv, 2019.
Morphometry Stats and Global Measure of Volume [Internet]. Available: https://surfer.nmr.mgh.harvard.edu/fswiki/MorphometryStats.
MaxAbsScaler [Internet]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MaxAbsScaler.html#sklearn.preprocessing.MaxAbsScaler.

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