환자 간 고차원적 표현을 반영한 그래프 어텐션 신경망 기반 심장 질환 예측 모델 (A Graph Attention Network-based Heart Disease Prediction Model for Reflecting High-order Representations Between Patients)

서지정보

· 발행기관 : 한국지식정보기술학회
· 수록지 정보 : 한국지식정보기술학회 논문지 / 17권 / 4호 / 767 ~ 783페이지
· 저자명 : 김영진, 이현재, 김하영

초록

본 연구는 환자의 임상적, 병리학적 데이터를 고려하여 심장 질환 여부를 예측하기 위해 새로운 예측 모델로 심장 관계 그래프 신경망(HRGNN)을 제안한다. 구체적으로, 인구통계, 임상적 습관, 기저질환 총 3가지 유형의 임상 정보로 GAT(Graph Attention Network) 기반 심장병 예측 모델을 설계하고, 각 유형과 속성의 고차적 표현을 학습하기 위한 이중 어텐션 메커니즘을 제안한다. 실험에 따르면 HRGNN은 노드 분류 작업에서 F1과 AUC 기준 기존 그래프 신경망(GNN) 및 기계 학습 모델보다 성능이 좋게 나옴을 확인할 수 있으며, 실험에 사용한 데이터 리샘플링 방법과 모델 구성요소 별 비교 실험을 통해 본 연구에서 제안하는 모델의 성능을 확인하였다.

영어초록

Heart disease is one of the leading causes of death in modern society. Over 50% of adults have at least one of three risk factors, high blood pressure, high cholesterol and smoking, for heart disease. Also, there are other major causes including diabetes, obesity, lack of exercise and heavy drinking. Diagnosing heart disease is a complex medical problem that requires an analysis of a combination of clinical and pathological data. Meeting a need for a high level of clinical expertise for the analysis gives rise to excessive cost. Reducing the cost has become an important issue. To resolve the issue, we propose Heart Relation Graph Neural Network(HRGNN) model with a novel-designed architecture. Specifically, we design Graph Attention Network(GAT)-based heart disease prediction model with three-type clinical information and propose dual-level attention mechanism to learn high-order representation of each type and attribute. HRGNN is can learn the hidden patterns in the high-order graph structure, which is a framework considering the complex type-specific patient data correlations. Health survey data of 401,958 adults provided by the Centers for Disease Control and Prevention are used in this study. Our experiments show that HRGNN outperforms existing Graph Neural Networks(GNN) and traditional machine learning models at node classification tasks. Also, it is experimentally demonstrated that three-type branch, dual-level attention modules and data imbalance resolving methods applied to classification models improve the performance.

참고자료

· 없음