Hidrosefali Hastalığının Sınıflandırılması ve İlişkili Faktörlerin Makine Öğrenmesi Yöntemleri ile Belirlenmesi

Yıl 2018, Cilt: 7 Sayı: 2, 14 - 20, 01.10.2018

Zeynep Tunç Cemil Çolak Ramazan Özdemir

Öz

Bu araştırmanın birinci amacı çeşitli çekirdek fonksiyonlarıyla oluşturulan destek vektör makineleri DVM yardımıyla ve farklı dallanma kriterleriyle oluşturulan Random Forest RF yöntemleriyle hidrosefaliye sahip olan ve olmayan hasta bebekleri sınıflandırmaktır. Bu çalışmada incelenen veriler, İnönü Üniversitesi Turgut Özal Tıp Merkezi Pediatri Anabilim Dalı veri tabanından geriye yönelik retrospektif olarak seçilmiştir. Çalışmada yer alan veriler hidrosefalisi olan ve olmayan bebekleri ve bu bebeklere ilişkin diğer özellikleri içermektedir. Hidrosefalinin sınıflandırılması işlemi için DVM ve RF modelleri kullanılmıştır. Performans değerlendirmesinde doğruluk, sınıflama hatası, kappa istatistiği, ROC eğrisi altında kalan alan AUC , f ölçümü, duyarlılık, seçicilik ve Youden indeksi ölçütleri kullanılmıştır. DVM modellerinden en iyi sınıflandırma performansını gösteren ANOVA çekirdeğine ilişkin performans ölçütlerine ait değerler %95 güven aralığında sırasıyla; doğruluk için %72.14±8.99, sınıflama hatası için %27.86±8.99, kappa istatistiği için 0.424±0.209, AUC için 0.748±0.120, f ölçümü için %75.78±6.97, duyarlılık için %71.45±8.27, seçicilik için %73.00±22.13, Youden indeksi için 0.444±0.221 olarak elde edilmiştir. RF modellerinden en iyi sınıflandırma performansını gösteren Gini İndeksi ile oluşturulan modele ilişkin performans ölçütlerine ait değerler sırasıyla; doğruluk için %77.47±9.51, sınıflama hatası için %22.53±9.51, kappa istatistiği için 0.554±0.193, AUC için 0.799±0.100, f ölçümü için %78.89±9.43, duyarlılık için %71.90±15.10, seçicilik için %87.00±19.23, Youden indeksi için 0.589±0.197 olarak elde edilmiştir. Hidrosefaliyi sınıflandırmada en iyi performansı RF modeli vermiştir. İlerleyen çalışmalarda, hidrosefalinin sınıflandırma performansını arttırmak için gelişmiş makine öğrenmesi yöntemleri kullanılacaktır

Anahtar Kelimeler

Destek Vektör Makinesi, Random Forest, Hidrosefali, Makine Öğrenmesi

Classification of Hydrocephalus Disease and Determination of Related Factors by Machine Learning Method

Öz

The first objective of this research is to classify babies with and without hydrocephalus by means of support vector machines SVM constructed by various kernel functions and Random Forest RF methods generated by different branching criteria. The data analyzed in this study were retrospectively selected from the database of the Department of Pediatric, Turgut Özal Medical Center, Inonu University. The data included in the study include babies with and without hydrocephalus and risk factors related to these babies. SVM and RF models were used for classification of hydrocephalus. As performance evaluation metrics; accuracy, classification error, kappa statistic, area under the ROC curve AUC , f-measure, sensitivity, specificity and Youden index were used. For SVM models, the best classification performances were obtained by the SVM with ANOVA kernel model. The performance metrics with 95% confidence interval were respectively; 72.14% ± 8.99 for accuracy, 27.86% ± 8.99 for classification error, 0.424 ± 0.209 for kappa statistic, 0.748 ± 0.120 for AUC, 75.78% ± 6.97 for f measurement, 71.45% ± 8.27 for sensitivity, 73.00% ± 22.13 and 0.404 ± 0.221 for Youden index. For RF models, the best classification performances were obtained by RF constructed by the Gini Index. The performance metrics with 95% confidence interval were respectively; 77.47% ± 9.51 for accuracy, 22.53% ± 9.51 for classification error, 0.554 ± 0.193 for kappa statistic, 0.799 ± 0.100 for AUC, 78.89% ± 9.43 for f measurement, 71.90%± 15.10 for sensitivity, 87.00% ± 19.23 and 0.589 ± 0.197 for Youden index. The best classification performance to predict Hydrocephalic achieved by RF model. As future study, more sophisticate machine learning algorithms will be used to improve classification performance of the Hydrocephalic

Anahtar Kelimeler

Missing Value (S) Analysis, Assignment Methods, Web Based Software

Kaynakça

• 1. Fishman MA. Hydrocephalus. In: Eliasson SG, Prensky AL, Hardin WB (editors). Neurological Pathophysiology. New York, NY: Oxford University Press; 1978.
• 2. Carey CM, Tullous MW, Walker ML. Hydrocephalus: Etiology, pathologic effects, diagnosis and natural history. Pediatr Neurosurg 1994; 3: 185-201.
• 3. Bilginer B, Çataltepe O. Hidrosefali: Sınıflama, Patofizyoloji ve Tedavisi. Korfalı E, Zileli M (editors). TND Temel Nöroşirürji, 2. baskı, Ankara: TNDer, 2010: 1899-910.
• 4. Canaz H, Alataş İ, Batçık OE, Akdemir AO, Baydın S. Erken Çocuklukta Hidrosefali. Kafkas Tıp Bilimleri Dergisi 2013; 2: 88-95.
• 5. Ertuğrul İ, Organ A, Şavlı A. Veri madenciliği uygulamasına ilişkin PAÜ hastanesinde hasta profilinin belirlenmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 2013; 19(2): 97- 103.
• 6. Kahramanlı H. Hibrit bulanık sinir ağını kullanarak bir sınıflandırma ve kural çıkartma sisteminin geliştirilmesi. Selçuk Üniversitesi Fen Bilimleri Enstitüsü Doktora tezi, 2008.
• 7. Vapnik V. The nature of statistical learning theory, Springer science, business media, 2013.
• 8. Güldoğan E, Arslan AK, Yağmur J. Çeşitli Çekirdek Fonksiyonları ile Oluşturulan Destek Vektör Makinesi Modellerinin Performanslarının İncelenmesi: Bir Klinik Uygulama. Fırat Tıp Dergisi 2017; 22(3): 136-42.
• 9. İplikci S. Controlling the experimental threetank system via support vector machines. In International Conference on Adaptive and Natural Computing Algorithms Springer, Berlin, Heidelberg: 2009; 391-400.
• 10. Kaban Z, Diri B. Genre and author detection in Turkish texts using artificial immune recognition systems. In Signal Processing, Communication and Applications Conference 2008; 2008. SIU 2008. IEEE 16th:1-4.
• 11. Breiman L. Random forests, Machine learning 2001; 45(1): 5-32.
• 12. Akman M, Genç Y, Ankaral H. Random forests yöntemi ve sağlık alanında bir uygulama. Turkiye Klinikleri J Biostati 2011; 3(1): 36-48.
• 13. Çoma E. Destek vektör makinelerinin etkin eğitimi için yeni yaklaşımlar. Selçuk Üniversitesi Fen Bilimleri Enstitüsü Doktora tezi 2008.
• 14. Yakut E, Elmas B, Yavuz S. Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2014; 19(1): 139-57.
• 15. Kecman, V. Learning and soft computing: support vector machines, neural networks, and fuzzy logic models. Cambridge: MIT press, 2001.
• 16. Mather PM, Koch M. Computer processing of remotely-sensed images: An introduction. 4th edition, John Wiley, Sons, 2011.
• 17. Çölkesen İ. Uzaktan Algılamada İleri Sınıflandırma Tekniklerinin Karşılaştırılması ve Analizi. Gebze Yüksek Teknoloji Enstütisü Mühendislik ve Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi: 2009.
• 18. Pal M. Random forest classifier for remote sensing classification. Int J Remote Sens 2005; 26(1): 217-22.
• 19. Korkem E. Mikroarray Gen Ekspresyon Veri Setlerinde Random Forest Ve Naıve Bayes Sınıflama Yöntemleri Yaklaşımı, Hacettepe Üniversitesi Sağlık Bilimleri Enstitüsü Yüksek Lisans Tezi 2013.
• 20. Bishop C, Bishop CM. Neural networks for pattern recognition. Oxford University Press, 1995.
• 21. Zahl SM, Egge A, Helseth E, Wester K. Benign external hydrocephalus: a review, with emphasis on management. Neurosurg Rev 2011; 34(4): 417-32.
• 22. Özışık PA. Hidrosefali Prognoz ve İzlem. Turkiye Klinikleri J Neurosurg Special Topics 2015; 5(1): 83-6.
• 23. Zielińska D, Rajtar-Zembaty A, Starowicz-Filip A. Cognitive disorders in children's hydrocephal Neurologia Neurochir Polska 2017; 51(3): 234-9.
• 24. Liechty EA, Bull MJ, Bryson CQ, et all. Developmental outcome of very low birth weight infants requiring a ventriculo-peritoneal shunt. Pediatr Neurosurg 1983; 10(5): 340-9.
• 25. Göçer C, Kavuncuoğlu S, Arslan G, et. all. Çok düşük doğum ağırlıklı erken doğmuş bebeklerin nörogelişimsel sorunları ve nörolojik hastalığa etki eden etmenlerin araştırılması. Türk Pediatri Arşivi 2011; 46(3): 207-14.