Servikal Kanserlerin Teşhisinde Kullanılan Makine Öğrenmesi Algoritmalarının Karşılaştırmalı Analizi

Year 2021, , 1052 - 1060, 31.10.2021

Tolga Özlen , Ali Güneş

https://doi.org/10.35414/akufemubid.861575

Cited By: 1

Abstract

Serviks (Rahim Ağzı Kanseri) ölüme yol açan ve ölüm oranı en yüksek kanser türlerinden biri olarak görülmektedir. Serviks kanseri kadın kanseri arasında meme kanserinden sonra 2. Sırada yer almaktadır. Günümüzde makine öğrenmesi yöntemlerinin kullanımıyla biyomedikal veri kümelerinin analizi yaygınlaşmıştır. Özellikle kanser gibi habis hastalıkların erken teşhisinde tahminleme sistemleri önemli rol oynamaktadır. Serviks kanseri üzerinde belirlenmiş risk faktörlerine yönelik yapılan tahminler tutarlı olabilmektedir. Bu çalışmada serviks kanserinin teşhisinde kullanılan makine öğrenmesi metotlarının başarıları karşılaştırılmıştır. Çalışmada kullanılan 23 ayrı makine öğrenmesi algoritması, 838 örnek, 32 öznitelik ve 4 hedef değişkenli veri seti üzerinde test edilmiştir. Veri önişleme, özellik seçimi ve sınıflandırma olmak üzere üç aşamadan oluşan analizde sınıflandırma performansları; sınıflandırma doğruluğu, kesinlik, duyarlılık ve F-ölçütü metrikleri kullanılarak analiz edilmiştir. Analiz sonucunda RepTree algoritmasının en başarılı sonuç veren model olduğu belirlenmiştir.

Keywords

Serviks Kanseri, Servikal Kanserler, Makine Öğrenmesi, Yapay Zeka

Supporting Institution

İstanbul Aydın Üniversitesi

Comparative Analysis of Machine Learning Algorithms Used in the Diagnosis of Cervical Cancers

Abstract

Cervix (Cervical Cancer) is seen as one of the cancer types that causes death and has the highest mortality rate. Cervical cancer is the second most common female cancer after breast cancer. Today, the analysis of biomedical datasets has become widespread with the use of machine learning methods. Prediction systems play an important role in the early diagnosis of malignant diseases such as cancer. Estimates of risk factors for cervical cancer can be consistent. In this study, the success of machine learning methods used in the diagnosis of cervical cancers was compared. 23 different machine learning algorithms used in the study were tested on a data set with 838 samples, 32 features and 4 target variables. Classification performances in the analysis consisting of three stages: data preprocessing, feature selection and classification; Comparisons were made using classification accuracy, precision, sensitivity, and F-criterion metrics. As a result of the analysis, it was determined that the RepTree algorithm was the model that gave the most successful results.

Keywords

Cervix Cancer, Cervical Cancers, Machine Learning, Artificial intelligence

References

• Afrin, F., & Nahar, I., 2015. Incremental Learning Based Intelligent Job Search System (Doctoral dissertation, BRAC University).
• Sarwar A., Ali M., Suri J. And Sharma V., 2015. Performance Evaluation Of Machine Learning Techniques For Screening Of Cervical Cancer, 2nd International Conference On Computing For Sustainable Global Development (Indıacom), 2, 880-886.
• Allawi M., Jaafar O., Ehteram M., Mohamad F., El-Shafie A., 2018. Synchronizing Artificial İntelligence Models For Operating The Dam And Reservoir System. Water Resour Manage 32, 3373– 3389.
• Alpaydın E., 2004. Introduction To Machine Learning. The Mıt Press, 1-15.
• Aydoğdu S., Özsoy Ü., 2018. Serviks kanseri ve HPV, Kadın Cinsel Sağlığı, 20, 25−29.
• Durmaz, S , Ozvurmaz, S , Adana, F , Kurt, F . ,2021. Kadınlarda Serviks Kanserinin Tanısına İlişkin Tutum ve Düzenli Jinekolojik Muayene İlişkisinin Kesitsel Olarak Değerlendirilmesi. Adnan Menderes Üniversitesi Sağlık Bilimleri Fakültesi Dergisi , 5 (1) , 26-36.
• Erkaymaz E., Palabaş T., 2018. Classification Of Cervical Cancer Data And The Effect Of Random Subspace Algorithms On Classification Performance, Signal Processing And Communications Applications Conference, 26, 1-4.
• Good, I. J, 1965. The Estimation Of Probabilities: An Essay On Modern Bayesian Methods. M.I.T. Press 1965 , 30, 182-199.
• Gök, S. , Gök, B. , Ceylan D. A. , 2021. HPV-16/18 pozitif kadınların takibinde kolposkopi eşliğinde alınan servikal biyopsinin önemi. Pamukkale Tıp Dergisi , 14(1), 253-261.
• Gözüyeşil, E. , Arıöz, D. , Ünal, K . , 2019. Kadınların Serviks Kanserinden Korunma Ve Erken Tanıya Yönelik Tutumlarının Değerlendirilmesi. Sted / Sürekli Tıp Eğitimi Dergisi , 28 (4) , 229-238.
• Sun, G., Li S., Cao Y., Lang F., 2017. Cervical Cancer Diagnosis Based On Random Forest. Int J Performability Eng, 13(4), 446-457.
• Güner, H., Taşkıran, Ç., 2007. Serviks Kanseri Epidemiyolojisi Ve Human Papilloma Virüs. Türk Jinekoloji Ve Obstetri Derneği Dergisi 4(1),11-19.
• Hacıbeyoğlu, M., Karakoyun, M., 2014. Biyomedikal Veri Kümeleri İle Makine Öğrenmesi Sınıflandırma Algoritmalarının İstatistiksel Olarak Karşılaştırılması. Deü Mühendislik Fakültesi Mühendislik Bilimleri, 16, 30-41
• Huang, J., Lu, J., Ling, C.X, 2003. Comparing Naive Bayes, Decision Trees, And Svm With Auc And Accuracy, Third Ieee International Conference On Data Mining, 553–556.
• Kanbur, A., Çapık, C., 2011. Servikal Kanserden Korunma, Erken Tanı-Tarama Yöntemleri Ve Ebe/Hemşirenin Rolü. Hacettepe Üniversitesi Sağlık Bilimleri Fakültesi Hemşirelik Dergisi, 18 (1) 61-72.
• Karkalos, N., Efkolidis, N., Kyratsis, P., Markopoulos, A. , 2019. A Comparative Study Between Regression And Neural Networks For Modeling Al6082-T6 Alloy Drilling. Machines 7(1),13.
• Kolay, N., Erdoğmuş, P., 2016. The Classification Of Breast Cancer With Machine Learning Techniques. In Electric Electronics, Computer Science, Biomedical Engineerings' Meeting, 1, 1-4.
• Kretschmann, E., Fleischmann, W. , Apweiler R., 2001. Automatic rule generation for protein annotation with the C4.5 data mining algorithm applied on SWISS-PROT. Bioinformatics, 17, 920–926.
• Li,J., Liu,H., Ng,S.K. and Wong,L. , 2003. Discovery of significant rules for classifying cancer diagnosis data. Bioinformatics, 19, 93–102.
• Lu, L. , Zhu, Z., 2014. Prediction Model For Eating Property Of İndica Rice. Journal Of Food Quality, 37, 274-280.
• Lu, W., Wang, W., Leung, A., Lo, S., Yuen, R., Xu, Z. And Fan., H., 2002. Air Pollutant Parameter Forecasting Using Support Vector Machines. I. Proceedings Of The 2002 International Joint Conference On Neural Networks. 1, 630-635.
• Malhotra, M., Sharma, S. and Nair, S. S. , 1999. Decision Making Using Multiple Models. European Journal Of Operational Research, 114, 1-14.
• Quinlan, J. R., 1993. C4.5: Programs For Machine Learning. Morgan Kaufmann Publishers, 110-116.
• Sevli, O., 2019. Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim Ve Teknoloji Dergisi, 16, 176-185.
• Sonay Kurt A, Canbulat N, Savaşer S., 2013. Adölesan Dönem Cinselliğiyle Öne Çıkan Serviks Kanseri Ve Risk Faktörleri. Bakırköy Tıp Dergisi, 9, 59–63.
• Şeker, S. E., 2016. Weka ve veri madenciliği, Draft2Digital Yayıncılık, 1, 18-27.
• Tobler,J.B., Molla,M.N., Nuwaysir,E.F., Green,R.D. and Shavlik,J.W, 2002 Evaluating machine learning approaches for aiding probe selection for gene-expression arrays. Bioinformatics, 18 , 164–171.
• Tseng, C., Lu, C., Chang, C. Et Al. , 2014. Application Of Machine Learning To Predict The Recurrence-Proneness For Cervical Cancer. Neural Comput & Applic, 24, 1311–1316.
• Türkmen, A. S. , Canbulat Şahiner, N., Savaşer, S. , 2013. Adolesan Dönem Cinselliğiyle Öne Çıkan Serviks Kanseri Ve Risk Faktörleri. Bakirkoy Tıp Dergisi, 2, 59-63.
• Uludağ, G. , Gamsızkan, Z. and Sungur, M. A. , 2020. Kadınların Serviks Kanseri ve Taraması İle İlgili Sağlık İnançlarının Değerlendirilmesi . Düzce Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi , 10 (3) , 357-362.
• Vapnik, V., 1995. The Nature Of Statistical Learning Theory. Springer, 57-75.
• World Health Organization, 2019. Human papillomavirus (HPV) and cervical cancer. Retrieved from https://www.who.int/en/newsroom/fact-sheets/detail/human-papillomavirus-(hpv)-and-cervical-cancer (18.07.2021)
• World Health Organization, 2018. Global Cancer Observatory. Retrived from: http://gco.iarc.fr/ (18.07.2021)