May 09, 2023

치매 판별 모델 프로젝트 결과물

Streamlit 을 활용한 데이터 분석 결과 시각화
치매 판별 모델 프로젝트 결과물
 
Video preview

1. 라이프로그 데이터 분석 결과 시각화

  • 웨어러블 기기를 통해 수집된 라이프로그 데이터를 바탕으로 치매군과 비치매군 사이에서 나타나는 특징을 비교하여 시각화한다.
  • 해당 데이터를 학습시킨 여러 치매/비치매 판별 모델의 예측 결과를 비교하여 시각화한다.
  1. ANOVA 테스트를 통해 유의미한 변수 찾기
    1. notion image
       
  1. (1의 결과로) 선택된 변수로 치매군과 비치매군의 비교 시각화
    1. notion image
       
  1. 박스 플롯 으로 두 집단에서 값의 분포 시각화
    1. notion image
  1. 차원 축소로 얻은 주성분으로 비교 시각화
    1. notion image
       
  1. (치매/비치매 판별을 위해 학습된) 모델별 F1 Score 비교 시각화
    1. notion image
       
  1. (치매/비치매 판별을 위해 학습된) 모델별 ROC 커브 비교 시각화
    1. notion image
       
  1. (치매/비치매 판별을 위해 학습된) 모델별 Validation Data에 대한 혼동행렬
    1. notion image
       
  1. (치매/비치매 판별을 위해 학습된) 모델별 Test Data에 대한 혼동행렬
    1. notion image
       
  1. 결론
    1. 모델 자체의 AUC는 높게 나타나지만, 혼동행렬을 통해 ‘경도인지 장애군’과 ‘치매군’에 대한 민감성이 떨어지는 것을 확인할 수 있었다.
      Class Weight를 지정하여 ‘경도인지 장애군’, ‘치매군’에 대한 가중치를 높게 부여하면 ‘경도인지 장애군’과 ‘치매군’에 대한 예측 정확도가 높아질 수 있다. 하지만 반대로 ‘비치매군’에 대한 예측 정확도가 떨어져서 오진단이 많아질 수 있다.
      복잡한 데이터 구조에 비해 주어진 데이터셋(AI Hub 치매환자 웨어러블기기 데이터)이 모델을 학습시킬 만큼 충분하지 않아서 발생한 문제로 보인다.
 

2. MRI 데이터 분석 결과 시각화

  1. MRI에서 추출된 정형데이터 분석 결과
    1. OASIS 데이터셋에는 MRI 이미지 데이터와 함께 해당 MRI에서 추출한 특징들을 변수로 나타낸 정형데이터가 함께 주어진다. 해당 정형데이터를 학습시켜서 치매/비치매 판별 모델을 만들고, 변수별 중요도를 시각화한 결과다.
      notion image
       
  1. MRI데이터 분석 결과
    1. OASIS 데이터셋의 MRI데이터를 CNN모델에 학습시켰다. 해당 모델의 가중치를 Streamlit에 업로드해서 새로 입력되는 MRI 데이터에 대해 기존의 데이터를 바탕으로 치매 여부를 판별하여 결과를 나타내도록 했다.
       
      1) 사용자가 새로운 이미지를 업로드
      notion image
      notion image
       
      2) 모델에 해당 이미지 데이터 입력
      notion image
       
      3) 치매/비치매(정상) 여부 판별 결과
      notion image
       

Share article
RSSPowered by inblog