정보처리학회 논문지 소프트웨어 및 데이터 공학
Current Result Document : 107 / 288
이전건
다음건 
| 한글제목(Korean Title) |
랜덤 포레스트와 딥러닝을 이용한 노인환자의 사망률 예측 |
| 영문제목(English Title) |
Mortality Prediction of Older Adults Using Random Forest and Deep Learning |
| 저자(Author) |
박준혁
이성욱
Junhyeok Park
Songwook Lee
|
| 원문수록처(Citation) |
VOL 09 NO. 10 PP. 0309 ~ 0316 (2020. 10) |
한글내용
(Korean Abstract) |
우리는 응급실을 방문한 65세 이상 노인환자의 의료 데이터를 각각 피드 포워드 신경망과 합성곱 신경망에 학습하여 사망률을 예측하였다. 의료 데이터는 노인환자의 성별, 연령, 체온, 심박 수 등의 기초적인 정보뿐 아니라 과거 병력, 다양한 혈액 검사 및 배양 검사 결과 등 다양하고 복잡한 정보를 포함하여 총 99가지의 자질로 구성된다. 이 중 사망률 예측에 크게 기여하는 자질을 선택하기 위해 랜덤 포레스트를 이용하여 자질의 중요도를 계산하였고, 그 결과 중요도가 높은 상위 80개의 자질을 선택하였다. 선택된 자질을 각각 피드 포워드 신경망과 합성곱 신경망의 학습에 사용하여 두 신경망의 성능을 비교하였다. 합성곱 신경망 학습을 위해 의료 데이터를 고정된 크기의 이미지로 변환하였으며 합성곱 신경망이 피드 포워드 신경망을 이용한 것보다 성능이 좋았다. 합성곱 신경망의 사망률 예측 성능으로 테스트 데이터에 대해 F1 점수는 56.9, AUC는 92.1을 각각 얻었다.
|
영문내용
(English Abstract) |
We predict the mortality of the elderly patients visiting the emergency department who are over 65 years old using Feed Forward Neural Network (FFNN) and Convolutional Neural Network (CNN) respectively. Medical data consist of 99 features including basic information such as sex, age, temperature, and heart rate as well as past history, various blood tests and culture tests, and etc. Among these, we used random forest to select features by measuring the importance of features in the prediction of mortality. As a result, using the top 80 features with high importance is best in the mortality prediction. The performance of the FFNN and CNN is compared by using the selected features for training each neural network. To train CNN with images, we convert medical data to fixed size images. We acquire better results with CNN than with FFNN. With CNN for mortality prediction, F1 score and the AUC for test data are 56.9 and 92.1 respectively
|
| 키워드(Keyword) |
사망률 예측
합성곱 신경망
랜덤 포레스트
자질 선택
딥러닝
Mortality Prediction
Convolutional Neural Network
Random Forest
Feature Selection
Deep Learning
|
| 파일첨부 |
PDF 다운로드
|
