데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
로지스틱 회귀분석과 인공신경망을 이용한 유방암 분류 모델 비교연구 |
| 영문제목(English Title) |
A Comparative Study on the Classification Model of Breast Cancer using Logistic Regression and Artificial Neural Networks |
| 저자(Author) |
김낙일
이철기
이우기
Nak-Il Kim
Charles Cheolgi Lee
Wookey Lee
|
| 원문수록처(Citation) |
VOL 35 NO. 02 PP. 0139 ~ 0153 (2019. 08) |
한글내용
(Korean Abstract) |
인공신경망은 유용한 머신러닝 기법으로 활용되고 있지만 기존 통계분석기법과 비교했을 때, 한계점도 있다. 분석결과를 해석하기가 어렵기 때문이다. 특히, 변수 간의 관계 파악이 중요한 보건의료정보 연구에서는 이러한 단점이 두드러진다. 본 연구의 목적은 전통적인 통계기법과 머신러닝기법을 비교하여 관련 있는 인자를 조사하고 어떤 분석기법이 더 적절한지 판단하는 데 있다. 기존 유방암의 발병 요인은 식습관, 비만, 음주, 방사선 등으로 알려져 있으며, 데이터 분석기법으로는 로지스틱 회귀분석이 자주 사용되었다. 로지스틱 회귀분석은 결과를 해석하기가 용이한 것이 장점이지만 설정한 모델의 예측력이 높지 않을 때도 있다. 이를 보완하고자, 본 연구에서는 인공신경망으로 추가분석을 진행했다. 그 결과 유방암의 생체지표로서 Age, BMI, Glucose, Insulin, Resistin이 관련 있다는 결론을 도출했다 또한, k-fold Cross Validation 을 이용해 모델의 성능을 비교했을 때 로지스틱 회귀분석과 인공신경망 모델의 성능에 큰 차이는 없었으며 결과해석이 용이한 로지스틱 회귀분석이 더 적합한 분석기법일 수 있다는 것을 확인했다. |
영문내용
(English Abstract) |
Artificial neural networks are used as a useful machine-learning method, but they also have limitations compared to conventional statistical analysis. This is because it is difficult to interpret the results. In particular, this disadvantage is apparent in healthcare information studies where identifying relationships among variables is important. The purpose of this study is to compare conventional statistical analysis and machine-learning method to investigate significant factors and determine which analyzing method is more appropriate. Previously the identified risk factors for breast cancer include fat-centered nutrition, obesity, drinking, radiation, and age. Moreover, logistic regression was used in related studies. Applying to logistic regression model, it is easy to interpret the results, but sometimes its predictive power is not enough high. In order to overcome this problem, Artificial neural network was additionally used. As a result, we concluded that Age, BMI, Glucose, Insulin, and Resistin are variables related to breast cancer. In addition, we compared the performance of the model using k-fold Cross Validation and there was no significant difference. so we found that logistic regression with ease of interpretation may be a more suitable analyzing method. |
| 키워드(Keyword) |
logistic regression
artificial neural network
breast cancer
biomarker
k-fold
로지스틱 회귀분석
인공신경망 유방암 생체지표
|
| 파일첨부 |
PDF 다운로드
|
