본 논문은 전 세계적으로 심각한 건강 문제인 당뇨병 예측을 위한 혁신적인 기계 학습 프레임워크를 제시합니다. 기존의 로지스틱 회귀, SVM, 나이브 베이즈, 랜덤 포레스트와 같은 기계 학습 기법과 AdaBoost, Gradient Boosting, Extra Trees, XGBoost와 같은 고급 앙상블 기법을 활용합니다. 특히, CNN과 LSTM 계층을 결합한 새로운 하이브리드 모델인 DNet을 제안하여 효과적인 특징 추출과 시계열 학습을 수행합니다. DNet은 특징 추출을 위한 합성곱 블록, 정보 흐름을 원활히 하기 위한 residual 블록, 그리고 시계열 의존성을 포착하기 위한 LSTM 계층으로 구성됩니다. Kaggle 데이터셋을 사용하여 교차 검증을 통해 정확도, 정밀도, 재현율, F1 점수, ROC-AUC를 평가한 결과, DNet 모델이 99.79%의 정확도와 99.98%의 AUC-ROC를 달성하여 가장 높은 효율을 보였습니다. 이는 CNN과 LSTM의 결합이 의료 진단 및 질병 예측에 효과적임을 보여줍니다.
