Early diagnosis and prediction of psoriasis is crucial to control disease progression, alleviate symptoms and reduce the risk of complications. Diagnosis in the early stages helps to determine the appropriate treatment plan and improve the patient's quality of life. The aim of this study is to enable early diagnosis of psoriasis. For this purpose, a hybrid architecture was created using a stacked auto-encoder, softmax classifier and Firefly Optimization Algorithm. With the created architecture, the architectural parameters of the stacked autocoder and softmax classifier hybrid structure aimed to be created for psoriasis diagnosis and all hyperparameters within the architecture were optimized. The model was implemented on the "Dermatology" dataset in the UCI data warehouse. In addition, machine learning methods such as K-Nearest Neighbor algorithm, Support Vector Machine and Decision Trees, which are frequently used in the literature, were also applied on the same dataset. The findings obtained from the experimental studies are presented in a controversial manner. The findings show that the proposed hybrid architecture achieves better results than other machine learning methods. At the same time, the model optimized and presented with the hybrid architecture can be used as an alternative method in patient decision support systems.
Firefly optimization algorithm stacked auto-encoder softmax classifier decision support system
Sedef hastalığının erken tanı ve tahmini, hastalığın ilerlemesini kontrol altına almak, semptomları hafifletmek ve komplikasyon riskini azaltmak açısından son derece önemlidir. Erken aşamalarda tanı konulması, uygun tedavi planının belirlenmesine ve hastanın yaşam kalitesini artırmaya yardımcı olur. Bu çalışmanın amacı, sedef hastalığının erkenden teşhis edilebilmesini sağlamaktır. Bu amaç doğrultusunda yığılmış oto-kodlayıcı, softmax sınıflanrıcı ve Ateş Böceği Optimizasyon Algoritması kullanılarak hibrit bir mimari oluşturulmuştur. Oluşturulan mimari ile sedef hastalığı teşhisi için oluşturulması hedeflenen yığılmış oto-kodlayıcı ve softmax sınıflandırıcı hibrit yapısının mimari parametreleri ile mimari içerisinde bulunan bütün hiperparametreler optimize edilmiştir. Model UCI veri deposunda bulunan “Dermatoloji” veri seti üzerinde uygulanmıştır. Bunun yanında aynı veri seti üzerinde literatürde sıkça kullanılan makine öğrenme yöntemleri olan K-En yakın komşu algoritması, Destek Vektör Makinası ve Karar Ağaçları metotları da uygulanmıştır. Deneysel çalışmalardan elde edilen bulgular tartışmalı bir şekilde sunulmuştur. Elde edilen bulgular önerilen hibrit mimarinin diğer makine öğrenme yöntemlerine göre daha başarılı sonuçlar elde ettiğini göstermiştir. Aynı zamanda hibrit mimari ile optimize edilen ve sunulan model hasta karar destek sistemlerinde alternatif bir yöntem olarak da kullanılabilir.
Ateş böceği optimizasyon algoritması yığılmış oto-kodlayıcı softmax sınıflandırıcı karar destek sistemi
Primary Language | Turkish |
---|---|
Subjects | Software Engineering (Other) |
Journal Section | Research Articles |
Authors | |
Early Pub Date | July 4, 2024 |
Publication Date | August 31, 2024 |
Submission Date | March 23, 2024 |
Acceptance Date | April 26, 2024 |
Published in Issue | Year 2024 Volume: 10 Issue: 2 |