[논문]빅데이터 기반 2형 당뇨 예측 알고리즘 개발

심현; 김현욱

doi:10.13067/jkiecs.2023.18.5.999

빅데이터 기반 2형 당뇨 예측 알고리즘 개발
Development of Type 2 Prediction Prediction Based on Big Data 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.18 no.5, 2023년, pp.999 - 1008

심현 (순천대학교) , 김현욱 (순천대학교 미래산업인재양성사업단, 디지털트윈연구소)

초록
AI-Helper

당뇨병과 같은 만성 질환의 조기 예측은 중요한 이슈이며, 그중에서도 당뇨 예측의 정확도 향상은 매우 중요하다. 당뇨 예측을 위한 다양한 기계 학습 및 딥 러닝 기반 방법론을 도입하고 있으나, 이러한 기술들은 다른 방법론보다 더 우수한 성능을 위해 대량의 데이터를 필요로 하며, 복잡한 데이터 모델 때문에 학습 비용이 높다. 본 연구에서는 pima 데이터셋과 k-fold 교차 검증을 사용한 DNN이 당뇨 진단 모델의 효율성을 감소시킨다는 주장을 검증하고자 한다. 의사 결정 트리, SVM, 랜덤 포레스트, 로지스틱 회귀, KNN 및 다양한 앙상블 기법과 같은 기계 학습 분류 방법을 사용하여 어떤 알고리즘이 최상의 예측 결과를 내는지 결정하였다. 모든 분류 모델에 대한 훈련 및 테스트 후 제안된 시스템은 ADASYN 방법과 함께 XGBoost 분류기에서 최상의 결과를 제공하였으며, 정확도는 81%, F1 계수는 0.81, AUC는 0.84였다. 또한 도메인 적응 방법이 제안된 시스템의 다양성을 보여주기 위해 구현되었다. LIME 및 SHAP 프레임워크를 사용한 설명 가능한 AI 접근 방식이 모델이 최종 결과를 어떻게 예측하는지 이해하기 위해 구현되었다.

Abstract ▼ AI-Helper

Early prediction of chronic diseases such as diabetes is an important issue, and improving the accuracy of diabetes prediction is especially important. Various machine learning and deep learning-based methodologies are being introduced for diabetes prediction, but these technologies require large amounts of data for better performance than other methodologies, and the learning cost is high due to complex data models. In this study, we aim to verify the claim that DNN using the pima dataset and k-fold cross-validation reduces the efficiency of diabetes diagnosis models. Machine learning classification methods such as decision trees, SVM, random forests, logistic regression, KNN, and various ensemble techniques were used to determine which algorithm produces the best prediction results. After training and testing all classification models, the proposed system provided the best results on XGBoost classifier with ADASYN method, with accuracy of 81%, F1 coefficient of 0.81, and AUC of 0.84. Additionally, a domain adaptation method was implemented to demonstrate the versatility of the proposed system. An explainable AI approach using the LIME and SHAP frameworks was implemented to understand how the model predicts the final outcome.

주제어

표/그림 (14)

그림 그림 1. 데이터 세트에서 당뇨병을 앓고 있는 사람의 비율 Fig. 1 Proportion of people with diabetes in the data set
그림 그림 2. 항목별 특징의 중요도 Fig. 2 Importance of characteristics for each item
표 표 1. 피마 인디언 데이터 세트의 특징 Table 1. Features of the Pima Indian Data Set
표 표 2. 피마 인디언 데이터 세트의 다양한 회귀 모델 RMSE Table 2. RMSE of various regression models on the Pima Indian dataset
그림 그림 3. ADASYN 기술이 적용된 XGBoost의 매트릭스 Fig. 3 Matrix of XGBoost with ADASYN technology
표 표 3. 데이터 세트의 SMOTE 기법을 사용한 알고리즘의 성능 지표 Table 3. Performance metrics of the algorithm using SMOTE technique on the dataset
표 표 4. 데이터 세트에서 adasyn을 사용하는 다양한 알고리즘의 성능 지표 Table 4. Performance metrics of various algorithms using adasyn on our dataset
표 표 5. 프라이빗 데이터 세트의 성능 메트릭(도메인 적응기술) Table 5. Performance metrics for private data sets (domain adaptation technology)
그림 그림 4. ADASYN을 사용한 XGBoost의 ROC 곡선 및 AUC Fig. 4 ROC curve and AUC for XGBoost with ADASYN
그림 그림 5. XGBoost와 ADASYN기능의 중요도에 대한 AI 해석 Fig. 5 AI analysis of the importance of XGBoost and ADASYN functions
그림 그림 6. LIME AI 예측 해석 Fig. 6 LIME AI Predictive Analysis
그림 그림 7. LIME AI 예측 해석 테스트 어플리케이션을 통한 당뇨 예측 Fig. 7 Diabetes prediction through LIME AI predictive interpretation test application
표 표 6. 병합된 데이터 세트의 성능 메트릭(인슐린 피마 인디언에서 제거됨)] Table 6. Performance metrics from merged dataset (removed from Insulin Pima Indian)]
표 표 7. 제안 시스템과 유사한 당뇨 예측 비교 Table 7. Experimental results

참고문헌 (11)

World Health Organization Diabetes: Keys Facts. https://www.who.int/news-room/fact-sheets/detail/diabetes, 2022？
Moustafa, Z., Evolutions de l'Intelligence Artificielle: Quels enjeux pour l'activite humaine et la relation Humain-Machine au travail? Activites , pp. 1-39, 2020？
Machine Learning. Java T Point; https://www.javatpoint.com？
Pankajray, Convolutional Neural Network (CNN) and Its Application-All You Need to Know, 2021.？
Islam, I.A. and Milon, M.I., Diabetes Prediction: A Deep Learning Approach, International Journal of Information Engineering and Electronic Business , 11, pp.21-27, 2019？

상세보기
Zhou, H., Myrzashova, R. and Zheng, R. Diabetes Prediction Model Based on an Enhanced Deep Neural Network. EURASIP Journal on Wireless Communications and Networking, Article No. 148, 2020？
Naz, H. and Ahuja, S, Deep Learning Approach for Diabetes Prediction Using PIMA Indian Dataset. Journal of Diabetes & Metabolic Disorders , 19, pp.391-403, 2020？

상세보기
Swapna, G., Soman, K.P. and Vinayakumar, R, Automated Detection of Diabetes Using CNN and CNN-LSTM Network and heart Rate Signals. Procedia, 2018？
Chowdary, P.B.K. and Kumar, R.U, An Effective Approach for Detecting Diabetes Using Deep Learning Techniques Based on Convolutional LSTM Networks. International Journal of Advanced Computer Science and Applications, 12, pp.519-525, 2021.？
Mat Jizat, J.A., Abdul Majeed, A.P.P., Ahmad, A.F., Taha, Z. and Yuen, E, Evaluation of the Machine Learning Classifier in Wafer Defects Classification. ICT Express, 7, pp.535-539. 2021.？

상세보기
Smith, J.W., Everhart, J.E., Dickson, W.C., Knowler, W.C., Johannes, R.S.: Using the ADAP learning algorithm to forecast the onset of diabetes mellitus. In: Annual Symposium on Computer Applications in Medical Care, pp.261-265, 1998.

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