Preview

Труды Института системного программирования РАН

Расширенный поиск

Новая интеллектуальная система для обнаружения сахарного диабета 2-го типа с модифицированной функцией потерь и регуляризацией

https://doi.org/10.15514/ISPRAS-2021-33(2)-5

Аннотация

Сахарный диабет 2-го типа (СД2) составляет около 90% случаев диабета, и одним из ключевых аспектов СД2 являются жесткие требования к постоянному мониторингу и выявлению. Это исследование направлено на разработку ансамбля из нескольких моделей машинного и глубокого обучения для раннего обнаружения СД2 с высокой точностью. При большом разнообразии моделей ансамбль обеспечивает больше возможностей, чем отдельные модели. Предлагаемый ансамбль моделей основан на использовании известных моделей логистической регрессии, случайного леса, опорных векторов и глубокой нейронной сети. Выходные данные каждой модели в модифицированном ансамбле используются для определения окончательных выходных данных системы. Датасеты, используемые для этих моделей, включают Practice Fusion HER, Pima Indians diabetic's data, UCI AIM94 Dataset и CA Diabetes Prevalence 2014. По сравнению с ранее разработанными решениями, наше решение на основе ансамблевой модели демонстрирует высокие показатели точности, чувствительности и специфичности. В среднем обеспечиваются точность 87,5% от 83,51%, чувствительность 35,8% от 29,59% и специфичность 98,9% от 96,27%. Время работы предлагаемого решения составляет 96,6 мс, в то время как у наиболее по архитектуре известной системы – 97,5 мс. Предлагаемая усовершенствованная система улучшает возможности прогнозирования СД2 на основе использования ансамбля из нескольких моделей машинного и глубокого обучения. Для получения окончательного точного прогноза с использованием результатов отдельных моделей применяется схема мажоритарного голосования. В работе также изменена функция регуляризации, чтобы учесть регуляризацию всех моделей в ансамбле, что помогает предотвратить переобучение и поддержать возможность обобщений в предлагаемой системе.

Об авторах

Маллика Г.К.
Университет Чарльза Стерта
Австралия

Магистр, разработчик программного обеспечения



Абир АЛЬСАДУН
Университет Чарльза Стерта, Университет Западного Сиднея, Университет Саутерн Кросс, Азиатско-Тихоокеанский международный колледж
Австралия

Кандидат наук, доцент



Дуонг Тху Ханг ФАМ
Университет Дананга – Университет науки и образования
Вьетнам

Магистр, преподаватель



Сальма Хамиди АБДУЛЛА
Иракский технический университет
Ирак

Кандидат наук, преподаватель



Ха Тхи МАЙ
Университет Дананга – Университет науки и образования
Вьетнам

Магистр, преподаватель



П.В. Чандана ПРАСАД
Университет Чарльза Стерта
Австралия

Доктор философии, доцент



Чан Куок Винь НГУЕН
Университет Дананга – Университет науки и образования
Вьетнам

Кандидат наук, преподаватель



Список литературы

1. Bernardini M., Romeo L., Misericordia P., and Frontoni E. Discovering the Type 2 Diabetes in Electronic Health Records Using the Sparse Balanced Support Vector Machine. IEEE Journal of Biomedical and Health Informatics, vol. 24, no. 1, 2020, pp. 235-246.

2. Houri. O., Gil. Y., Berezowsky A., Wiznitzer A. et al. 339: Future Type-2 diabetes prediction following pregnancy – using a novel machine learning, American Journal of Obstetrics and Gynecology, vol. 222, issue 1, Supplement, 2020, p. S228.

3. Kölle Konstanze, Biester Torben, Christiansen Sverre et al. Pattern Recognition Reveals Characteristic Postprandial Glucose Changes: Non-Individualized Meal Detection in Diabetes Mellitus Type 1. IEEE Journal of Biomedical and Health Informatics, vol. 24, no. 2, 2020, pp. 594-602.

4. Kezhi Li, John Daniels, Chengyuan Liu et al. Convolutional Recurrent Neural Networks for Glucose Prediction. IEEE Journal of Biomedical and Health Informatics vol. 24, no. 2, 2020, pp. 603-613.

5. Binh P. Nguyen, Hung N Pham, Hop Tran et al. Predicting the onset of type 2 diabetes using wide and deep learning with electronic health records. Computer Methods and Programs in Biomedicine, vol. 182, 2019, article id 105055.

6. Perveen S., Shahbaz M., Saba T. et al. Handling irregularly sampled longitudinal data and prognostic modeling of diabetes using machine learning technique. IEEE Access, vol. 8, 2000, pp. 21875-21885.

7. Vivek Rai, Daniel X. Quang, Michael R. Erdos et al. Single-cell ATAC-Seq in human pancreatic islets and deep learning upscaling of rare cells reveals cell-specific type 2 diabetes regulatory signatures. Molecular Metabolism, vol. 32, 2020, pp. 109-121.

8. Ramazi Ramin, Perndorfer Christine, Soriano C.E. et al. Multi-modal Predictive Models of Diabetes Progression. In Proc. of the 10th ACM International Conference on Bioinformatics, Computational Biology and Health Informatics, 2019, pp. 253-258.

9. Sierra-Sosa D., Garcia-Zapirain B., Castillo C. et al. Scalable Healthcare Assessment for Diabetic Patients Using Deep Learning on Multiple GPUs. IEEE Transactions on Industrial Informatics, vol. 15, no. 10, 2019, pp. 5682 – 5689.

10. Agata Wesolowska-Andersen, Grace Zhuo Yu, Vibe Nylander et al. Deep learning models predict regulatory variants in pancreatic islets and refine type 2 diabetes association signals. eLife 2020;9:e51503, 2020.

11. Tomohide Yamada, Kosuke Iwasaki, Shotaro Maedera et al. Myocardial infarction in type 2 diabetes using sodium–glucose co-transporter-2 inhibitors, dipeptidyl peptidase-4 inhibitors or glucagon-like peptide-1 receptor agonists: proportional hazards analysis by deep neural network based machine learning. Current Media Research and Option, vol. 36, no. 3, 2000, pp. 404-410.

12. Zaitcev A., Eissa R.M., Hui Z. et al. A Deep Neural Network Application for Improved Prediction of HbA1c in Type 1 Diabetes, IEEE Journal of Biomedical and Health Informatics, vol. 24, no. 10, 2020, pp. 2932-2941.

13. Xianglong Zeng, Haiquan Chen, Yuan Luo, and Wenbin Ye. Automated Diabetic Retinopathy Detection Based on Binocular Siamese-Like Convolutional Neural Network, IEEE Access, vol. 7, 2019, pp. 30744-30753.

14. Anuradha, Akansha Singh, and Gaurav Gupta. ANT FDCSM: A novel fuzzy rule miner derived from ant colony meta-heuristic for diagnosis of diabetic patients. Journal of Intelligent & Fuzzy Systems, vol. 36, no. 1, 2019, pp. 747-760.

15. Muhammad Fazal Ijaz, Ganjar Alfian, Muhammad Syafrudin, and Jongtae Rhee. Hybrid Prediction Model for Type 2 Diabetes and Hypertension Using DBSCAN-Based Outlier Detection, Synthetic Minority Over Sampling Technique (SMOTE), and Random Forest, Applied Sciences, vol. 8, no. 8, 2018, pp. 1-22.


Рецензия

Для цитирования:


Г.К. М., АЛЬСАДУН А., ФАМ Д., АБДУЛЛА С., МАЙ Х., ПРАСАД П., НГУЕН Ч. Новая интеллектуальная система для обнаружения сахарного диабета 2-го типа с модифицированной функцией потерь и регуляризацией. Труды Института системного программирования РАН. 2021;33(2):93-114. https://doi.org/10.15514/ISPRAS-2021-33(2)-5

For citation:


G.C. M., ALSADOON A., PHAM D., ABDULLAH S., MAI H., PRASAD P., NGUYEN T. A Novel Intelligent System for Detection of Type 2 Diabetes with Modified Loss Function and Regularization. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2021;33(2):93-114. (In Russ.) https://doi.org/10.15514/ISPRAS-2021-33(2)-5



Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2079-8156 (Print)
ISSN 2220-6426 (Online)