[논문]의료데이터마이닝에서 클러스터링 기반의 나이브 베이지안 학습

한송이; 정용규

[국내논문] 의료데이터마이닝에서 클러스터링 기반의 나이브 베이지안 학습
A Naive Bayesian Learning of Clustering for Medical Datamining 원문보기

한송이 (을지대학교 의료전산학) , 정용규 (을지대학교 의료전산학)

병원정보시스템의 전세계적인 보급과 데이터웨어하우스의 도입으로 인해서 병원내의 의료데이터가 기하 급수적인 증가추세를 보이고 있다. 환자에 대한 임상적인 특징을 다수 포함하고 있는 의료데이터는 유용한 임상지식의 보고로서 그 가치가 매우 유용하다. 따라서 데이터에 숨겨진 지식을 발견하여 구조화시킴으로써 새로운 지식을 창조하는 데이터마이닝은 임상부분에 적합한 기술이라 말할 수 있다. 본 연구에서는 급성염증을 가진 환자들의 의료데이터를 기반으로 특징을 추출하고, 추출된 특징을 바탕으로 병명을 판단하기 위한 학습을 수행한다. 학습 방법은 클러스터링을 이용한 나이브 베이지안으로 진행한다. 기존의 나이브 베이지안 학습은 대량의 데이터를 처리하는데 효과적이며 성능 또한 우수하지만, 속성별 독립을 가정하기 때문에 의료데이터를 분석에는 잘 사용되지 않는다. 따라서 높은 신뢰도를 구현하기 위해 나이브 베이지안 학습 전에 클러스터링을 선행하여, 기존 데이터에 클러스터링 클래스를 추가한다. 이를 통해 급성염증의 증상을 보이는 환자데이터를 바탕으로 자동적으로 방광염과 결석으로 인한 신장염을 효과적으로 진단해낸다.

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

문제 정의

본 논문에서는 실제 급성염증(Acute Inflammations)을 가진 환자의 데이터에서 특징을 추출하여 진료의 방향을 결정하는 학습을 진행한다. 특징이 추출된 데이터는 각 속성에 따른 인스턴스(instances)를 클러스터링(Clustering)을 적용한 나이브 베이안(Naive Bayesian)을 이용하여, 환자의 특징에 맞는 병명을 판단하기 위한 학습을 한다.
본 논문에서는 의료데이터마이닝 분야에서 요구되는 높은 신뢰도에 부합하기 위해, 나이브 베이지안 학습시 선행적으로 클러스터링 클래스의 추가를 제안하였다. 실험결과 수행성능면에서도 기존의 나이브 베이지안의 학습보다 우수했으며, 수행시간도 단축할 수 있었다.

가설 설정

[4] 클래스 레이블 y가 주어졌을 때, 나이브 베이지안 분류기는 속성들이 조건부로 독립적이라고 가정하여 조건부 확률로 계산하며, 조건부 독립성 가정은 다음과 같이 정의한다.

제안 방법

본 논문에서는 실제 급성염증(Acute Inflammations)을 가진 환자의 데이터에서 특징을 추출하여 진료의 방향을 결정하는 학습을 진행한다. 특징이 추출된 데이터는 각 속성에 따른 인스턴스(instances)를 클러스터링(Clustering)을 적용한 나이브 베이안(Naive Bayesian)을 이용하여, 환자의 특징에 맞는 병명을 판단하기 위한 학습을 한다. 나이브 베이지안 학습은 각 속성별로 결합하는 확률이 서로 독립적(independent)이라는 가정^[2]을 하는 방법으로 대량의 데이터를 다루는 것에 적합하며, 효율적이고 신뢰도가 높은 분류기로서 이용되고 있다.
본 논문에서는 나이브 베이지안 학습 이전에 전처리 과정으로 데이터를 클러스터링하여 클러스터링 클래스 C를 추가한다. 그 후 나이브 베이지안 분류기는 시험 항목을 분류하기 위해 각 클래스 Y에 대한 사후확률을 계산 한다.
본 논문에서는 나이브 베이지안 학습 이전에 전처리 과정으로 데이터를 클러스터링하여 클러스터링 클래스 C를 추가한다. 그 후 나이브 베이지안 분류기는 시험 항목을 분류하기 위해 각 클래스 Y에 대한 사후확률을 계산 한다.
클러스터링 클래스를 적용한 나이브 베이지안 학습 방법은 급성염증을 갖은 환자들의 데이터에 적용하였다. 데이터는 ‘diagnosis.
데이터 전처리 과정을 통해 클러스터링 클래스의 추가가 선행적으로 이루어 졌으며, 후에 나이브 베이지안 학습을 수행하였다. 학습 프로그램은 오픈 소스로서 Java 언어로 개발된 데이터마이닝 프로그램인 ‘weka'를 이용하였다.

대상 데이터

데이터는 ‘diagnosis.data’[8]로 총 120개의 인스턴스에서 속성은 체온, 구토 증상, 요추 통증, 소변 배뇨, 방뇨 통증, 요도 팽창으로 총 6개를 추출하였으며, 병명의 판단은 급성 방광염과 결석으로 인한 신장염으로 제한하였다.

성능/효과

실험결과 추출된 5가지의 분류 속성을 바탕으로 진행된 클러스터링 과정을 통해 2개의 클러스터로 구분되었으며, 그 후 클러스터를 포함한 나이브 베이지안 학습에서 기존의 나이브 베이지안 학습에 비해 우수한 신뢰도를 보임을 확인 할 수 있었다. 더불어 수행시간도 나이브 베이지안에 비해서 단축한 결과를 확인할 수 있었다.
실험결과 추출된 5가지의 분류 속성을 바탕으로 진행된 클러스터링 과정을 통해 2개의 클러스터로 구분되었으며, 그 후 클러스터를 포함한 나이브 베이지안 학습에서 기존의 나이브 베이지안 학습에 비해 우수한 신뢰도를 보임을 확인 할 수 있었다. 더불어 수행시간도 나이브 베이지안에 비해서 단축한 결과를 확인할 수 있었다.
본 논문에서는 의료데이터마이닝 분야에서 요구되는 높은 신뢰도에 부합하기 위해, 나이브 베이지안 학습시 선행적으로 클러스터링 클래스의 추가를 제안하였다. 실험결과 수행성능면에서도 기존의 나이브 베이지안의 학습보다 우수했으며, 수행시간도 단축할 수 있었다. 뿐만 아니라 대표적인 진단 학습방법인 베이지안 네트워크와의 비교에서도 뒤떨어지지 않는 성능을 보여주었다.

후속연구

하지만 시간을 고려해야하는 즉각적이고 인텔리전스한 환자진단 연구에는 대량의 데이터를 다루기에 적합하며, 베이지안 네트워크에 수행 신뢰도가 뒤지지 않은 클러스터링 클래스를 추가한 나이브 베이지안 방법이 효과적으로 적용될 수 있다. 향후 과제로는 다양한 의료데이터 적용을 통해 객관성 입증이 필요하며, 더 효율적인 성능을 얻기 위해서 클러스터링에서 가장 적절한 클래스의 수 조절에 대한 연구가 진행되어야 한다.

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

[국내논문] 의료데이터마이닝에서 클러스터링 기반의 나이브 베이지안 학습
A Naive Bayesian Learning of Clustering for Medical Datamining 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 의료데이터마이닝에서 클러스터링 기반의 나이브 베이지안 학습 A Naive Bayesian Learning of Clustering for Medical Datamining 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 의료데이터마이닝에서 클러스터링 기반의 나이브 베이지안 학습
A Naive Bayesian Learning of Clustering for Medical Datamining 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper