Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması

Cengiz Çoşkun; Emre Yüksek

doi:10.24012/dumf.1319102

Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması

Abstract

Yaygın bir karaciğer rahatsızlığı olan hepatit, dünya çapında önemli halk sağlığı sorunlarından biridir. Klinik verilerin doğru yorumlanması, hepatit tanısının yapılabilmesi için ele alınması gereken en önemli sorunlardan birisidir. Bu çalışmada, ölümcül hepatit hastalığının tanısı için öznitelik seçimi yöntemi uygulanarak, bulanık modelleme ile çeşitli makine öğrenmesi yöntemlerinin hastalık tespitindeki başarısı karşılaştırılmıştır. Çalışmada UCI makine öğrenimi deposundan edinilen hepatit veri seti kullanılmıştır. Kullanılan veri seti ilk olarak veri ön işlemeden geçirilmiş, sınıflandırma başarısının artırılması için öznitelik seçimi ile veri setindeki özellik sayısı azaltılmıştır. Özellik sayısı azaltılan veri seti kullanılarak bulanık model ve makine öğrenmesi modelleri denenmiştir. Elde edilen sonuçlar çeşitli metrikler kullanılarak değerlendirilmiştir. Yapılan çalışmalar sonucunda Bulanık Mantık yöntemi ile doğruluk %94 olurken, Gradient Boosting algoritması ile doğruluk, kesinlik, duyarlılık ve f-skor metriği açısından sırasıyla %98.36, %98.68, %98.95 ve %98.91 olarak hesaplanmıştır. Elde edilen sonuçlar, hepatit hastalığının teşhisinde makine öğrenmesi yöntemlerinden Gradient Boosting yönteminin diğer makine öğrenme yöntemlerine ve bulanık yaklaşıma göre daha başarılı olduğu görülmüştür.

Keywords

References

[1] J. M. Ntaganda and M. Gahamanyi, “Fuzzy Logic Approach for Solving an Optimal Control Problem of an Uninfected Hepatitis B Virus Dynamics,” Applied Mathematics, vol. 06, no. 09, Art. no. 09, 2015, doi: 10.4236/am.2015.69136.
[2] P. A. Ejegwa and E. S. Modom, “Diagnosis of viral hepatitis using new distance measure of intuitionistic fuzzy sets,” Int J Fuzzy Math Arch, vol. 8, no. 1, pp. 1–7, 2015.
[3] J. F. Perz, G. L. Armstrong, L. A. Farrington, Y. J. F. Hutin, and B. P. Bell, “The contributions of hepatitis B virus and hepatitis C virus infections to cirrhosis and primary liver cancer worldwide,” Journal of Hepatology, vol. 45, no. 4, pp. 529–538, Oct. 2006, doi: 10.1016/j.jhep.2006.05.013.
[4] W. H. Organization, Global hepatitis report 2017. World Health Organization, 2017.
[5] A. Sardesai, P. Sambarey, V. Kharat, and A. Deshpande, “Fuzzy logic application in gynecology: A case study,” in 2014 International Conference on Informatics, Electronics Vision (ICIEV), May 2014, pp. 1–5. doi: 10.1109/ICIEV.2014.6850715.
[6] E. Dogantekin, A. Dogantekin, and D. Avci, “Automatic hepatitis diagnosis system based on Linear Discriminant Analysis and Adaptive Network based on Fuzzy Inference System,” Expert Systems with Applications, vol. 36, no. 8, pp. 11282–11286, Oct. 2009, doi: 10.1016/j.eswa.2009.03.021.
[7] K. Polat and S. Güneş, “Hepatitis disease diagnosis using a new hybrid system based on feature selection (FS) and artificial immune recognition system with fuzzy resource allocation,” Digital Signal Processing, vol. 16, no. 6, pp. 889–901, Nov. 2006, doi: 10.1016/j.dsp.2006.07.005.
[8] M. Nilashi, H. Ahmadi, L. Shahmoradi, O. Ibrahim, and E. Akbari, “A predictive method for hepatitis disease diagnosis using ensembles of neuro-fuzzy technique,” Journal of Infection and Public Health, vol. 12, no. 1, pp. 13–20, Jan. 2019, doi: 10.1016/j.jiph.2018.09.009.

[9] G. Ahmad, M. A. Khan, S. Abbas, A. Athar, B. S. Khan, and M. S. Aslam, “Automated Diagnosis of Hepatitis B Using Multilayer Mamdani Fuzzy Inference System,” Journal of Healthcare Engineering, vol. 2019, p. e6361318, Feb. 2019, doi: 10.1155/2019/6361318.
[10] W. Ahmad et al., “Intelligent hepatitis diagnosis using adaptive neuro-fuzzy inference system and information gain method,” Soft Comput, vol. 23, no. 21, pp. 10931–10938, Nov. 2019, doi: 10.1007/s00500-018-3643-6.
[11] M. S. Bascil and F. Temurtas, “A Study on Hepatitis Disease Diagnosis Using Multilayer Neural Network with Levenberg Marquardt Training Algorithm,” J Med Syst, vol. 35, no. 3, pp. 433–436, Jun. 2011, doi: 10.1007/s10916-009-9378-2.
[12] X. Liu et al., “A Hybrid Classification System for Heart Disease Diagnosis Based on the RFRS Method,” Computational and Mathematical Methods in Medicine, vol. 2017, p. e8272091, Jan. 2017, doi: 10.1155/2017/8272091.
[13] M. Adeli, N. Bigdeli, and K. Afshar, “New hybrid hepatitis diagnosis system based on Genetic algorithm and adaptive network fuzzy inference system,” in 2013 21st Iranian Conference on Electrical Engineering (ICEE), May 2013, pp. 1–6. doi: 10.1109/IranianCEE.2013.6599872.
[14] J. S. Sartakhti, M. H. Zangooei, and K. Mozafari, “Hepatitis disease diagnosis using a novel hybrid method based on support vector machine and simulated annealing (SVM-SA),” Computer Methods and Programs in Biomedicine, vol. 108, no. 2, pp. 570–579, Nov. 2012, doi: 10.1016/j.cmpb.2011.08.003.
[15] D. Çalişir and E. Dogantekin, “A new intelligent hepatitis diagnosis system: PCA–LSSVM,” Expert Systems with Applications, vol. 38, no. 8, pp. 10705–10708, Aug. 2011, doi: 10.1016/j.eswa.2011.01.014.
[16] H.-L. Chen, D.-Y. Liu, B. Yang, J. Liu, and G. Wang, “A new hybrid method based on local fisher discriminant analysis and support vector machines for hepatitis disease diagnosis,” Expert Systems with Applications, vol. 38, no. 9, pp. 11796–11803, Sep. 2011, doi: 10.1016/j.eswa.2011.03.066.
[17] Y. Kaya and M. Uyar, “A hybrid decision support system based on rough set and extreme learning machine for diagnosis of hepatitis disease,” Applied Soft Computing, vol. 13, no. 8, pp. 3429–3438, Aug. 2013, doi: 10.1016/j.asoc.2013.03.008.
[18] K. B. Nahato, K. H. Nehemiah, and A. Kannan, “Hybrid approach using fuzzy sets and extreme learning machine for classifying clinical datasets,” Informatics in Medicine Unlocked, vol. 2, pp. 1–11, Jan. 2016, doi: 10.1016/j.imu.2016.01.001.
[19] “UCI Machine Learning Repository: HCV data Data Set.” https://archive.ics.uci.edu/ml/datasets/HCV+data (accessed Jun. 25, 2021).
[20] N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” jair, vol. 16, pp. 321–357, Jun. 2002, doi: 10.1613/jair.953.
[21] B. Russell, “Vagueness,” The Australasian Journal of Psychology and Philosophy, vol. 1, no. 2, pp. 84–92, 1923.
[22] M. Black, “Vagueness: An exercise in logical analysis,” Philosophy of Science, vol. 4, no. 4, pp. 427–455, Oct. 1937, doi: 10.1086/286476.
[23] L. A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, no. 3, pp. 338–353, Jun. 1965, doi: 10.1016/S0019-9958(65)90241-X.
[24] C. Fuchs, S. Spolaor, M. S. Nobile, and U. Kaymak, “pyFUME: a Python Package for Fuzzy Model Estimation,” in 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), Jul. 2020, pp. 1–8. doi: 10.1109/FUZZ48607.2020.9177565.

Details

Primary Language

Turkish

Subjects

Machine Learning (Other), Fuzzy Computation

Journal Section

Research Article

Authors

Cengiz Çoşkun ^*
0000-0001-8552-1363
Türkiye

Emre Yüksek
0000-0002-1885-5539
Türkiye

Early Pub Date

December 31, 2023

Publication Date

December 31, 2023

Submission Date

June 23, 2023

Acceptance Date

November 16, 2023

Published in Issue

Year 2023 Volume: 14 Number: 4

DOI

https://doi.org/10.24012/dumf.1319102

IZ

https://izlik.org/JA54WY55EY

Cite

RIS / Bibtex

APA

Çoşkun, C., & Yüksek, E. (2023). Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 14(4), 539-546. https://doi.org/10.24012/dumf.1319102

AMA

1.Çoşkun C, Yüksek E. Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması. DUJE. 2023;14(4):539-546. doi:10.24012/dumf.1319102

Chicago

Çoşkun, Cengiz, and Emre Yüksek. 2023. “Hepatit Hastalığının Tespitinde Bulanık Mantık Ve Makine öğrenmesi Yöntemlerinin Karşılaştırılması”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 14 (4): 539-46. https://doi.org/10.24012/dumf.1319102.

EndNote

Çoşkun C, Yüksek E (December 1, 2023) Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 14 4 539–546.

IEEE

[1]C. Çoşkun and E. Yüksek, “Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması”, DUJE, vol. 14, no. 4, pp. 539–546, Dec. 2023, doi: 10.24012/dumf.1319102.

ISNAD

Çoşkun, Cengiz - Yüksek, Emre. “Hepatit Hastalığının Tespitinde Bulanık Mantık Ve Makine öğrenmesi Yöntemlerinin Karşılaştırılması”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 14/4 (December 1, 2023): 539-546. https://doi.org/10.24012/dumf.1319102.

JAMA

1.Çoşkun C, Yüksek E. Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması. DUJE. 2023;14:539–546.

MLA

Çoşkun, Cengiz, and Emre Yüksek. “Hepatit Hastalığının Tespitinde Bulanık Mantık Ve Makine öğrenmesi Yöntemlerinin Karşılaştırılması”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol. 14, no. 4, Dec. 2023, pp. 539-46, doi:10.24012/dumf.1319102.

Vancouver

1.Cengiz Çoşkun, Emre Yüksek. Hepatit hastalığının tespitinde bulanık mantık ve makine öğrenmesi yöntemlerinin karşılaştırılması. DUJE. 2023 Dec. 1;14(4):539-46. doi:10.24012/dumf.1319102

Cited By

Makine Öğrenimi Yöntemleri ile Bireylerin Kronik Hastalık Durumlarının Sınıflandırılması: Türkiye İstatistik Kurumu’nun 2023 Gelir ve Yaşam Koşulları Araştırması Üzerine Bir Uygulama

Journal of Intelligent Systems: Theory and Applications

https://doi.org/10.38016/jista.1444481