The Prediction of Prostate Cancer Using Different Artificial Neural Network Models with The Help of Prostate Specific Antigen

Year 2013, Volume: 2 Issue: 1, 19 - 22, 01.04.2013

Mehmet Onur Kaya Cemil Çolak Enver Özdemir

Abstract

In this study, with the help of prostate specific antigen PSA values, patients with prostate cancer and without prostate cancer werepredicted by different artificial neural networks ANN models. The study that was carried out retrospectively with 203 men was achievedin Department of Gazi University Faculty of Medicine, Department of Urology, Ankara, Turkey. The formation of prostate cancer wasinvestigated, and some variables were used in the diagnosis of prostate cancer. ANN models were trained with different trainingalgorithms. 9 process elements have been used in input layer. The output layer of value, the presence or absence of prostate cancer, wasaccording to the PSA values. Trying out different ANN models and learning algorithms, the best results were achieved. ANN models wereestimated using feed-forward back propagation network. Of the ANN models in the study, the best ANN model had determinationcoefficient R2 of 0.75 and mean squared error MSE of 0.07, respectively. Different ANN models can give promising results to predictprostate cancer with the help of PSA. Thence, ANN models may be used in the clinical diagnosis

Keywords

Parameter estimates, prostate specific antigen, artificial neural Networks

Prostat Spesifik Antijeni Yardımı ile Prostat Kanserinin Değişik Yapay Sinir Ağı Modelleri ile Tahmini

Abstract

Bu çalışmada, prostat spesifik antijeni PSA değerlerinin yardımıyla prostat kanseri olan ve prostat kanseri olmayan vakaların yapaysinir ağları YSA modelleri yardımıyla tahmin edilmesi amaçlanmıştır. Çalışma, geriye yönelik veri toplama yöntemi ile 203 erkekbireye ait olup, Fırat Üniversitesi Tıp Fakültesi Üroloji Anabilim Dalı Polikliniği’nden sağlanmıştır. Prostat kanserinin oluşumuna ilişkinPSA tipleri ve prostat kanserinin tanısında kullanılan değişkenler incelenmiştir. YSA, değişik öğrenme algoritmaları kullanılarakeğitilmiştir. Girdi katmanında 9 işlem elamanı kullanılmıştır. Çıktı katmanındaki değişken ise PSA değerlerine göre prostat kanser olupolmaması idi. Değişik YSA modelleri ve öğrenme algoritmaları denenerek, en iyi sonuç elde edilmeye çalışılmıştır. YSA modelleri, ileribeslemeli geriye yayılımlı ağ kullanılarak tahminde bulunulmuştur. Çalışmadaki YSA modellerinde, en iyi açıklayıcılık katsayısı R2 veen küçük hata kareleri ortalaması MSE sırasıyla; 0.75 ve 0.07 olarak bulunmuştur. Yapılan çalışmada değişik YSA modellerinin,PSA’nın yardımı ile prostat kanserinin tahmin edilmesinde daha etkili ve ümit verici sonuçlar verebildiği belirlenmiştir. Böylece İleriyeyönelik klinik tanı sürecinde kullanılabilir olduğu görülmüştür

Keywords

Parametre tahmini, prostat spesifik antijeni, yapay sinir ağları

References

• Çolak MC, Çolak C, Kocatürk H, Sağıroglu Ş, Barutçu İ. Predicting coronary artery disease using different artificial neural network models. Anadolu Kardiyoloji Dergisi 2008; (8): 249-54.
• Gülkesen KH, Köksal IT, Bilge U, Saka O. Comparison of methods for prediction of prostate cancer in Turkish men with PSA levels of 0-10 ng/mL. J Buon 2010; 15(3): 537-42.
• Lawrentschuk N, Lockwood G, Davies P, Evans A, Sweet J, Toi A, Fleshner NE. Predicting prostate biopsy outcome: artificial neural networks and polychotomous regression are equivalent models. Int Urol Nephrol 2011;43(1): 23-30.
• Lee HJ, Hwang SI, Han SM, Park SH, Kim SH, Cho JY, Seong CG, Choe G. Image-based clinical decision support for transrectal ultrasound in the diagnosis of prostate cancer: comparison of multiple logistic regression, artificial neural network, and support vector machine. Eur Radiol 2010; 20(6): 1476–1484.
• Öner Y, Gürcan M. The basic algorithm for parameter estimation in nonlinear models. OMÜ Fen Dergisi 1997; 8(1): 119-125.
• Florio L, Mussone L. Neural Network Models for classification and forecasting of freeway traffic flow stability. Control Eng. Practice 1996; 4(2): 153-164.
• Psaltis D, Sideris A. A multilayer neural network controller. IEEE Control System Magazine 1998; 8: 17-21.
• Binder, DA. On the variances of asymptotically normal estimators International Statistical Review 1983; 51; 279-292. complex surveys.
• Levenberg K. A method for the solution of certain problems in least squares. Quart Appl Math 1944; 2; 164–168.
• Marquardt D. An algorithm for least-squares estimation of nonlinear parameters. Siam J Appl Math 1963; 11; 431–441.