Otistik Spektrum Bozukluğunun Makine Öğrenme Algoritmaları ile Tespiti

Year 2020, Volume: 3 Issue: 2, 60 - 68, 22.09.2020

Sedat Metlek Kıyas Kayaalp

https://doi.org/10.38016/jista.755481

Cited By: 4

Abstract

Farklı etkileri bulunan Otistik Spektrum Bozukluğu (OSB) genel olarak sosyal ilişki ve bilişsel gelişimde gecikme ya da farklılaşma ile kendini gösteren ayrıca iletişim de sorunlara neden olan nöro-gelişimsel bir hastalıktır. Hastalığın, bireylerin gelişimine ve ileriki dönemlerdeki sosyal yaşantılarına olumsuz etkisini azaltmak için erken teşhis edilmesi oldukça önemlidir. Ancak OSB’nin erken yaşlarda tespit edilebilmesi tecrübe ve uzmanlık gerektirmektedir. Son yıllarda yapılan araştırmalarda Dünya genelinde ve Türkiye’de OSB vakalarında ciddi bir artışın olduğu gözlenmektedir. Böyle bir artışta her geçen gün erken teşhis için etkili ve kolay uygulanabilir teşhis yöntemlerine olan ihtiyacı artırmaktadır. Özellikle 12-36 ay arasındaki çocuklara OSB teşhisi konulabilmesi için yardımcı karar destek sistemlerinin geliştirilmesi hayati önem arz etmektedir.
Gerçekleştirilen çalışmada, 12-36 ay arasındaki çocuklara uzman sağlık personeli ve ailelerin yüksek doğrulukta OSB teşhisi koyabilmelerine yardımcı olabilecek bir karar destek yazılımı geliştirilmiştir. Yazılım geliştirme aşamasında gözetimli ve gözetimsiz olmak üzere altı farklı makine öğrenme algoritması test edilmiştir. Yapılan testler sonucunda gözetimli öğrenme algoritmalarının, gözetimsiz öğrenme algoritmalarına göre daha başarılı sonuçlar verdiği tespit edilmiştir. Kullanılan gözetimli öğrenme algoritmalarında destek vektör makineleri ile yapılan sınıflandırma işleminde %100 sınıflandırma başarım oranı elde edilmiştir.

Keywords

Otistik spektrum bozukluğu, Gözetimli makine öğrenmesi, Gözetimsiz makine öğrenmesi, Yardımcı karar destek sistemi

Detection of Autistic Spectrum Disorder with Machine Learning Algorithms

Abstract

Autistic Spectrum Disorder (ASD), which has different effects, is a neurodevelopmental disease that generally manifests with delay or differentiation in social relationship and cognitive development, and also causes problems in communication. It is very important to diagnose the disease early to reduce the negative impact on the development of individuals and their social life in the future. However, it has been require experience and expertise to detect ASD at an early age. In researches conducted in recent years, it is observed that there is a significant increase in ASD cases in the world and Turkey. With such an increase, the need for effective and easily applicable diagnostic methods for early diagnosis increases day by day. It is vital to develop auxiliary decision support systems, especially for children between 12-36 months to be diagnose with ASD.
In the study, a decision support software was developed that could help specialist medical staff and families diagnose OSB with high accuracy in children between 12 and 36 months of age. Six different machine learning algorithms, both supervised and unsupervised, were tested during the software development phase. As a result of the tests, it has been determined that supervised learning algorithms give more successful results than unsupervised learning algorithms. In the supervised learning algorithms used, 100% classification success rate was obtained in the classification process with the support vector machines.

Keywords

Autistic Spectrum Disorder, Supervised machine learning, Unsupervised machine learning, Auxiliary decision support system

References

• Agrawal, Rakesh and Ramakrishnan Srikant. 1994. “Fast Algorithms for Mining Association Rules.” Pp. 487–99 in Proc. 20th int. conf. very large data bases, VLDB. Vol. 1215.
• Alpaydin, Ethem. 2020. Introduction to Machine Learning. MIT press.
• Berkhin, P. 2nd. “Survey of Clustering Data Mining Techniques, Accrue Software, Inc., 2002.”
• Cho, Sunghye, Mark Liberman, Neville Ryant, Meredith Cola, Robert T. Schultz, and Julia Parish-Morris. 2019. “Automatic Detection of Autism Spectrum Disorder in Children Using Acoustic and Text Features from Brief Natural Conversations.” Proc Interspeech. Graz, Austria.
• Cover, T. M. and P. .. Hart. 1967. “Nearest Neighbor Pattern Classification.” IEEE Transactions on Information Theory IT13(1):21–27.
• Çürükoğlu, N. 2019a. “Automated Demand / Suggestion Systems.” Pp. 762–66 in 2019 4th International Conference on Computer Science and Engineering (UBMK).
• Çürükoğlu, N. 2019b. “Imbalanced Dataset Problem in Classification Algorithms.” Pp. 1–5 in 2019 1st International Informatics and Software Engineering Conference (UBMYK).
• Dawson, Geraldine and Guillermo Sapiro. 2019. “Potential for Digital Behavioral Measurement Tools to Transform the Detection and Diagnosis of Autism Spectrum Disorder.” JAMA Pediatrics 173(4):305–6.
• Dogan, N. and K. Ozdamar. 2003. “Chaid Analizi ve Aile Planlaması Ile Bir Uygulama.” T. Klin Tıp.
• Edureka. 2020. “Understanding K-Means Clustering with Examples.” Retrieved (https://www.edureka.co/blog/k-means-clustering/). Eker, M. Emin, Recai Oktaş, and Gökhan Kayhan. 2015. “Apriori Algoritması ve Türkiye’deki Örnek Uygulamaları.” Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, Samsun.
• Eslami, Taban, Vahid Mirjalili, Alvis Fong, Angela R. Laird, and Fahad Saeed. 2019. “ASD-DiagNet: A Hybrid Learning Approach for Detection of Autism Spectrum Disorder Using FMRI Data .” Frontiers in Neuroinformatics 13:70.
• Huang, Jin, Jingjing Lu, and Charles X. Ling. 2003. “Comparing Naive Bayes, Decision Trees, and SVM with AUC and Accuracy.” Pp. 553–56 in Third IEEE International Conference on Data Mining. IEEE.
• Kantardzic, Mehmed. 2011. Data Mining: Concepts, Models, Methods, and Algorithms. John Wiley & Sons.
• Kayaalp, Kıyas and Sedat Metlek. 2020. “Otistik Spektrum Bozukluğunun Derin Öğrenme Yöntemi Ile Tespiti.” P. 117 in 1. Uluslararası Sağlık Bilimlerinde Multidisipliner Çalışmalar Kongresi. İstanbul, Türkiye.
• Lu, Weizhen, Wenjian Wang, Andrew Y. T. Leung, Siu-Ming Lo, Richard K. K. Yuen, Zongben Xu, and Huiyuan Fan. 2002. “Air Pollutant Parameter Forecasting Using Support Vector Machines.” Pp. 630–35 in Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN’02 (Cat. No. 02CH37290). Vol. 1. IEEE.
• Metlek, Sedat. 2018. “Yapay Sinir Ağı Ile Otistik Spektrum Bozukluğunun Tespiti.” Pp. 717–18 in I. Uluslararası Sağlık Bilimleri ve Yaşam Kongresi. Burdur, Türkiye.
• Sayad, Saed. 2015. “Support Vector Machine - Classification (SVM).” http://ww.saedsayad.com/support_vector_ machine.htm.
• Seidman, Claude. 2001. Data Mining with Microsoft SQL Server 2000: Technical Reference. Vol. 7. Microsoft Press.
• Shahamiri, Reza and Thabtah Fadi. 2018. “AutismAI: Autism Screening Mobile Application Based on Machine Learning.” Retrieved (www.asdtests.com).
• Shen, J., Z. J. Pei, and E. S. Lee. 2004. “Support Vector Regression in the Analysis of Soft-Pad Grinding of Wire-Sawn Silicon Wafers.” Pp. 19–24 in International Conference on Cybernetics and Information Technologies, Systems and Applications/ The 10th International Conference on Information Systems Analysis and Synthesis.
• Taburoğlu, Seçil. 2019. “A Survey on Anomaly Detection and Diagnosis Problem in the Space System Operation.” Zeki Sistemler Teori ve Uygulamaları Dergisi 2(1):13–17.
• Tan, Pang-Ning, Michael Steinbach, and Vipin Kumar. 2005. “Introduction to Data Mining: Pearson Addison Wesley.” Boston.
• Tan, Pang-Ning, Michael Steinbach, and Vipin Kumar. 2016. Introduction to Data Mining. Pearson Education India.
• Taşcı, Erdal and Aytuğ Onan. 2016. “K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin Incelenmesi.” Akademik Bilişim.
• Thabtah, Fadi. 2018. “No Title.” Retrieved (http://fadifayez.com/publications/#datasets).
• Thabtah, Fadi and David Peebles. 2019. “A New Machine Learning Model Based on Induction of Rules for Autism Detection.” Health Informatics Journal 1460458218824711.
• Ülgen, E. Kaan. 2017. “Makine Öğrenimi Bölüm-1.” Retrieved (https://medium.com/bilişim-hareketi/makine-öğrenimi-bölüm-1-f601b7225565).
• Yildiz, E. and Y. Sevim. 2016. “Comparison of Linear Dimensionality Reduction Methods on Classification Methods.” Pp. 161–64 in 2016 National Conference on Electrical, Electronics and Biomedical Engineering (ELECO).
• Yumuş, Duygu. 2019. “Sar İmgelerinde Gözetimsiz Sınıflandırma Yöntemleri Ile Arazi Örtüsü Sınıflandırması.”