머신러닝 및 딥러닝 기반 메타모델을 활용한 심혈관질환 예측 연구 = Cardiovascular Disease Prediction Using Machine Learning and Deep Learning-Based Meta-Models

국문 초록 (Abstract)

현재 전 세계적으로 심혈관질환은 인구 사망률이 높은 주요 원인으로 작용하고 있어, 본 연구는 Kaggle에 “Cardiovascular Disease Dataset”을 활용하여 심혈관질환을 예측하는 머신러닝과 딥러닝 기반 5가지 CatBoost, TabNet, DNN, LightGBM, 앙상블 메타모델을 개발하고 성능을 비교하였다. 데이터 전처리를 통해 주요 결측치와 비정상적인 수치를 제외한 데이터를 활용하였으며, 모델의 성능 평가는 혼동행렬과 ROC Curve-AUC 그래프를 통해 진행되었다. 연구 결과에서는 앙상블 메타모델이 전체 성능 지표에서 최저 대비 10~14% 성능 향상을 보여주어 심혈관질환 예측에 가장 적합한 모델로 확인되었으며, TabNet, DNN 같은 딥러닝 모델은 향후 데이터 보완, 구조적 최적화를 통한 성능 개선의 가능성이 보였다. 본 연구는 앙상블 메타모델이 심혈관질환 예측에서 단일 예측모델보다 우수한 성능을 나타냄으로써 실제 임상에 적용되어 의사결정지원시스템이나 질환 위험도 예측 서비스를 고도화시킬 수 있는 가능성을 제시한다. 향후 연구에서는 데이터의 규모를 늘리고 다양한 피처를 추가하는 등에 보완을 통해 딥러닝 모델의 최적화를 이루고 이를 앙상블 메타모델에도 적용시켜서 전체적인 성능 향상을 목표로 한다. 나아가 심혈관질환의 위험으로부터 전 세계 인구의 사망률을 낮추고 생존율을 높이는데 기여함으로써 현대 의료 분야의 핵심적인 도구로 사용될 것이다.

목차 (Table of Contents)

• 제 1장. 서 론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 선행연구 4
• 제 2장. 이론적 배경 6
• 2.1 심혈관질환의 개요 6
• 2.1.1 심혈관질환의 정의 및 원인 6
• 2.1.2 주요 위험 요인 6
• 2.2 머신러닝을 이용한 질병 예측 연구 동향 8
• 2.2.1 기존 통계 기반 모델과의 차이 8
• 2.2.2 트리 기반 머신러닝 알고리즘의 특징 10
• 2.3 앙상블 학습(Ensemble Learning)의 개념 12
• 2.3.1 배깅, 부스팅, 스태킹의 비교 12
• 2.3.2 스태킹 앙상블의 장점과 한계 15
• 2.4 클래스 불균형 문제와 해결 방법 17
• 2.4.1 클래스 불균형의 문제점 17
• 2.4.2 SMOTE의 원리 및 적용 방법 18
• 제 3장. 연구방법 20
• 3.1 데이터셋 및 변수 설명 20
• 3.2 데이터 전처리 및 파생변수 생성 20
• 3.3 모델별 학습 설계 21
• 3.3.1 CatBoost 모델 21
• 3.3.2 TabNet 모델 23
• 3.3.3 DNN 모델 25
• 3.3.4 LightGBM 모델 27
• 3.3.5 앙상블 메타모델(CatBoost + XGBoost + LightGBM) 29
• 3.3.6 검증 방법 및 평가 지표 31
• 제 4장. 연구 결과 34
• 4.1 각 모델 기본 성능 결과 34
• 4.1.1 CatBoost 모델 성능 결과 34
• 4.1.2 TabNet 모델 성능 결과 34
• 4.1.3 DNN 모델 성능 결과 35
• 4.1.4 LightGBM 모델 성능 결과 35
• 4.1.5 앙상블 메타모델 성능 결과 36
• 4.1.6 혼동행렬을 통한 모델 성능분석 36
• 4.2 ROC Curve-AUC를 통한 모델 성능평가 40
• 4.2.1 CatBoost 성능평가 결과 40
• 4.2.2 TabNet 성능평가 결과 41
• 4.2.3 DNN 성능평가 결과 42
• 4.2.4 LightGBM 성능평가 결과 43
• 4.2.5 앙상블 메타모델 성능평가 결과 44
• 4.2.6 ROC Curve-AUC 성능평가 종합분석 45
• 제 5장. 결론 및 고찰 47
• 참 고 문 헌 49
• Abstract 55
• 국 문 요 약 57