HYTEA - HYBRID TREE EVOLUTIONARY ALGORITHM FOR HEARING LOSS DIAGNOSIS

Abstract

Hearing Loss affects an ever-growing number of people of all ages. It can occur due to a multitude of sources such as genetics, diseases, ageing, or noise expo- sure. If not treated properly and timely it may lead to socioeconomic difficulties such as poor job performance, hardship in finding a job, and social isolation.In this work we propose HyTEA (Hybrid Tree Evolutionary Algorithm), a framework based on Evolutionary Computation to create Decision Tree like models to identify people that are likely to be diagnosed with hearing loss, so they can be called for screening by a health professional. To achieve this, we will use historic data about patients who have been tested for hearing problems and complement it with publicly available socioeconomic information. The models created should provide some understanding about the reason a decision is being made since this is key for the health professionals.To build Decision Trees we usually rely on greedy induction algorithms which may result in overfitting of the training data. To counter this problem, HyTEA uses a combination of two Evolutionary Algorithms, namely Structured Gram- matical Evolution and Differential Evolution to build the models. Additionally we propose variants of this method that allow evolving Gradient Boosted and Random Forest ensembles and present visualization tools to aid identifying the patients that are being wrongly classified.The results show that HyTEA is capable of consistently modelling the problem space and predicting hearing loss with an accuracy of 73.8% and F1 of 74.1%, which was significantly higher than the results obtained with traditional Decision Trees. HyTEABoost proved capable of further improving the recall metric of single Decision Trees by up to 4.4%, the accuracy by 0.4% and the F1 by 1%.The main contributions of this work are methods to generate Decision Trees, Random Forests and Gradient Boost ensembles with Evolutionary Computation, methods of predicting general hearing loss and if a screening should be performed and visualization tools to assist the decision of health professionals.

A perda de audição afeta um número cada vez maior de pessoas de todas as idades. Pode ter uma multitude de origens tais como genética, doenças, idade e exposição a ruído e, se não tratada devidamente, constitui um problema de saúde, social e económico. Se não compensada com aparelho auditivo, pode levar a dificuldades socioeconómicas como por exemplo má performance no trabalho, dificuldade em encontrar emprego e/ou isolamento social.Neste trabalho propomos o HyTEA (Hybrid Tree Evolutionary Algorithm), uma framework baseada em Computação Evolucionária para criar modelos baseados em Árvores de Decisão para identificar pessoas prováveis de ser diagnosticadas com perda auditiva, para que sejam chamadas para um exame por um profissional de saúde. Para conseguir isto iremos usar dados históricos de pacientes testados para perda auditiva e dados publicamente disponíveis sobre informação socioeconómica. Os modelos criados devem permitir entender o porquê de uma decisão ser tomada, já que isto é crítico para a utilização por um profissional de saúde.Para construir Árvores de decisão normalmente recorre-se a algoritmos de in- dução gulosos o que pode resultar em overfitting dos dados. Para contrariar este problema o HyTEA utiliza uma combinação de dois Algoritmos Evolucionários, nomeadamente o Structured Grammatical Evolution e a Evolução Diferencial para criar os modelos. Além disto, propomos variantes deste método que per- mitem evoluir modelos Gradient Boost e Random Forest e apresentamos ferramentas de visualização que ajudam na identificação de pacientes incorretamente identificados.Os resultados mostram que o HyTEA é capaz de consistentemente modelar o es- paço do problema e prever um diagnóstico de perda auditiva com uma accuracy de 73.8% e F1 de 74.1% o que é significativamente superior aos resultados obtidos com Árvores de Decisão tradicionais. HyTEABoost mostrou-se capaz de melhorar a performance da métrica de Recall de uma Árvore de Decisão individual por até 4.4%, a accuracy por 0.4% e o F1 por 1%.As principais contribuições deste trabalho serão métodos para gerar modelos de Árvores de Decisão, Random Forest e Gradient Boost com Computação Evolucionária, métodos para previsão de se deve ser feito um exame auditivo e ferra- mentas de visualização para auxiliar a decisão dos profissionais de saúde.