인공지능을 적용한 시력데이터 분석 : 기계학습 모델간 비교 및 최적모델제시

유형석; 류회성; Christian Wallraven

추천

검색

자료유형: 학술저널

저자정보: 유형석 (고려대학교) 류회성 (고러대학교 인공지능학과) Christian Wallraven (고려대학교)

저널정보: 대한시과학회 대한시과학회지 대한시과학회지 제22권 제3호

발행연도: 2020.1

수록면: 229 - 236 (8page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

목적 : 인공지능의 기계학습 또는 심층학습을 이용한 연구가 다양한 분야에서 시도되고 있다. 본 연구는 공공시력데이터를 자동화 수집하고, 수집한 데이터를 기계학습에 적용 및 예측하였다. 다양한 학습모델간 성능을 비교함으로써, 시과학분야에서 적용 가능한 기계학습 최적화모델을 제시함에 있다. 방법 : 국민건강보험(NHISS) 및 통계포털(KOSIS)에 발표된 국민 시력분포 현황관련 자료를 특정 색인을 포함하는 자료검색기법인 크롤링(crawling)을 사용하여 검색 및 수집을 자동화하였다. 2011년부터 2018년까지 보고된 모든 자료를 수집하였으며, 데이터 학습을 위해 Linear Regression, LASSO, Ridge, Elastic Net, Huber Regression, LASSO/LARS, Passive Aggressive Regressor 그리고 Pansacregressor 총 8개 모델을 사용하여 각각 데이터 학습하였다. 결과 : 수집한 데이터를 기반으로 기계학습 모델을 통해 2018년을 예측하였다. 각 모델간 2018년도 실제-예측데이터 차이를 MAE(Mean Absolute Error)와 RMSE(Root Mean Square Error) 점수로 각각 나타냈다. 학습모델 별 차이 중 MAE 평가결과 모델간 우/좌 Linear Regression(0.22/0.22), LASSO(0.83/0.81), RIDGE(0.31/0.31), Elastic Net(0.86/0.84), Huber Regression(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressor (0.29/0.18) 그리고 RANSA Regressor(0.22/0.22)를 보였다. RMSE에서 Linear Regression(0.40/0.40), LASSO (1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Regression(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggressive Regressor(0.21/0.58) 그리고 RANSA Regressor(0.40/0.40) 각각 나타냈다. 결론 : 본 연구는 자동화 자료검색 및 수집을 위한 크롤링 기법을 이용하여 데이터를 수집하였다. 이를 기반으로 고전 선형모델을 기계학습에 적용할 수 있도록 하고, 데이터 학습을 위한 8개 학습모델들 간 성능을 비교하였다.

Purpose : Recently, the use of AI in research has shown widespread investigation in various fields.In this study, we performed an automated collection of vision acuity (V.A.) data, and trained mechanical learning models for prediction. By comparing performance between eight different learning models, we present a machine learning optimization model applicable in the field of vision science. Methods : Automated search and collection of data related to the national vision distribution status published in the National Health Insurance Sharing Service (NHISS) and the Korean Statistical Information Service (KOSIS) were performed through crawling, a data retrieval technique that includes specific indexes. Reported data from 2011 to 2018 were collected, and were studied using all of eight different models for data analysis such as Linear Region, LASSO, Ridge, Elastic Net, Huber Region, LASSO Lars, Passive Aggregation and Pansacrerestor. Results : V.A. of the 2018 portion of the dataset was predicted in the test session. The difference between ground truth and prediction from each model was expressed as MAE (Mean Absolute Error) and RMSE (Root Mean Square Error) scores, respectively. MAE evaluation results for model difference in Right/Left were as the following: Linear Region(0.22/0.22), LASSO(0.83/0.81), Ridge(0.31/0.31), Elastic Net(0.86/0.84), HUBER Region(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressior(0.29/0.18), and RANSA Regressor(0.22/0.22). In RMSE, it also shows Linear Region(0.40/0.40), LASSO(1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Region(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggregation Regressor(0.21/0.58), and RANSA Regressor (0.40/0.40). Conclusion : In this study, we collected data using crawling techniques for automatic data retrieval and collection. Based on the data, classical linear machine learning models were applied for prediction, and performance of the eight machine learning models was compared for performance.

#인공지능 #데이터학습 #기계학습

참고문헌 (16)

참고문헌 신청

Hosny A / 2018 / Artificial intelligence in radiology / Nat Rev Cancer 18(8):500~510

Hu K / 2018 / Retinal vessel segmentation of color fundus images using multiscale convolutional neural network with an improved cross-entropy loss function / Neurocomputing 30(9):179~191

유형석 / 2018 / 딥러닝을 이용한 망막혈관 추출: 새로운 DirectNet 구조 / 대한시과학회지 20(2):151~159

Bizios D / 2010 / Machine learning classifiers for glaucoma diagnosis based on classification of retinal nerve fibre layer thickness parameters measured by Stratus OCT / Acta Ophthalmol 88(1):44~52

Remeseiro B / 2018 / Advances in Biomedical Informatics / Springer :123~160

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

유형석

소속기관 고려대학교

주요연구분야 자연과학 > 기타 자연과학

논문수 2 이용수 30

류회성

소속기관 고러대학교 인공지능학과

주요연구분야 자연과학 > 기타 자연과학

논문수 1 이용수 26

Christian Wallraven

소속기관 고려대학교

주요연구분야 공학 > 컴퓨터학 자연과학 > 기타 자연과학

논문수 6 이용수 482

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (16)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)