의료 특징 선택을 위한 순차적 하이브리드 프레임워크

의료 머신러닝에서 데이터셋은 종종 중복되거나 관련 없는 특징을 포함하므로, 특징 선택은 필수적인 전처리 단계입니다. 래퍼 기반 특징 선택에 메타휴리스틱 알고리즘이 유망한 결과를 보였지만, 조기 수렴 및 탐색 불안정성으로 인해 효과가 제한될 수 있습니다. 본 연구는 개체군 전이 전략을 기반으로 하는 의료 특징 선택을 위한 순차적 하이브리드 프레임워크를 제안합니다. 제안된 프레임워크는 세 가지 탐색 지향 메타휴리스틱(PSO, HHO, BSO)과 이진 Al-Biruni Earth Radius(bABER) 알고리즘을 통합합니다. 최적화 과정은 두 단계로 나뉩니다. 먼저 기본 메타휴리스틱이 탐색 단계를 수행하고, 이어서 bABER가 전이된 개체군을 정제하는 활용 단계를 진행합니다. 이 프레임워크는 Random Forest 분류기를 사용하여 6개의 벤치마크 의료 데이터셋에서 평가되었습니다. 실험 결과, 하이브리드화가 기본 알고리즘의 분류 정확도를 유지함을 확인했습니다. Friedman 테스트에서는 7가지 방법 간에 유의미한 차이가 없었으며, 동등성 테스트를 통해 각 하이브리드가 기본 알고리즘과 1%포인트 이내로 일치함을 확인했습니다. BSO-bABER는 6개 데이터셋 중 5개에서 BSO보다 우수한 성능을 보였으나, 다중 비교 보정 후에는 유의미성을 잃었습니다. 일관된 효과는 선택된 특징의 개수에서 나타났습니다. Friedman 테스트 결과 유의미한 차이(p = 0.015)가 있었으며, HHO-bABER는 HHO보다 적은 특징을 선택하면서도 정확도 변화는 없었습니다. 이는 PSO 및 BSO 대비 실행 시간 증가를 동반합니다. 따라서 개체군 전이를 통한 순차적 하이브리드화는 의료 특징 선택의 효율성을 높이는 데 기여할 수 있습니다.