Şeker hastalığı teşhisi ve önerilen modellerinin karşılaştırılması

Abstract

Şeker hastalığı insanlarda kan şekeri seviyesinin anormal değerlere ulaştığı kronik bir rahatsızlıktır. Şeker hastalığının erken teşhisi, bu hastalığın sebep olabileceği daha büyük hastalıkların önlenmesi ve gerekli tedavi planlamasının zamanında gerçekleştirilmesi açısından önemlidir. Bu çalışma kapsamında şeker hastalığı çeşitli modeller ile teşhis edilerek, bu problem için kullanılabilecek en uygun model belirlenmeye çalışılmıştır. Çalışmada Lojistik Regresyon, k-En Yakın Komşuluk, CART (Sınıflandırma ve Regresyon Ağacı), Rastgele Orman, Destek Vektör Makinesi, XGBoost ve LightGBM sınıflandırıcı modelleri kullanılmıştır. 10 katlı çapraz doğrulama yöntemi kullanılarak performans ölçütleri elde edilmiştir. Modellerin doğruluk oranları sırası ile %84.58, %84.59, %85.02, %88.29, %84.73, %89.29 ve %88.72 olarak elde edilmiştir. Modeller arasında en iyi üç doğruluk oranını veren Rastgele Orman, XGBoost ve LightGBM yöntemlerinde hiper-parametre ayarlaması gerçekleştirilerek en iyi parametreler belirlenmiştir. Bu parametreler ile final modellerinin doğruluk oranları sırasıyla %89.30 , %90.01 ve %90.01 olarak elde edilmiştir. Sonuç olarak XGBoost ve LightGBM modellerinin final teşhis modelleri olarak kullanılabileceği gözlemlenmiştir.

Keywords

• Şeker Hastalığı
• Teşhis
• Sınıflandırma
• Makine Öğrenmesi
• Topluluk Öğrenimi
• Diabetes mellitus
• Diagnosis
• Classification
• machine learning
• Ensemble learning

Diagnosis of diabetes and comparison of proposed models

Abstract

Diabetes is a chronic disease in which blood sugar levels reach abnormal values in humans. Early diagnosis of diabetes is important in terms of preventing larger diseases that this disease may cause and realizing the necessary treatment planning in a timely manner. Within the scope of this study, diabetes was diagnosed with various models and the most suitable model that could be used for this problem was tried to be determined. In this study, Logistic Regression, k-Nearest Neighborhood, CART (Classification and Regression Tree), Random Forest, Support Vector Machine, XGBoost and LightGBM classifier models were used. Performance metrics were obtained using the 10-fold cross-validation method. The accuracy rates of the models were obtained as 84.58%, 84.59%, 85.02%, 88.29%, 84.73%, 89.29% and 88.72%, respectively. The best parameters were determined by performing hyper-parameter tuning in Random Forest, XGBoost and LightGBM methods, which gave the three best accuracy rates among the models. With these parameters, the accuracy rates of the final models were 89.30%, 90.01% and 90.01%, respectively. As a result, it has been observed that XGBoost and LightGBM models can be used as final diagnostic models.

Keywords

• Diabetes mellitus
• Diagnosis
• Classification
• machine learning
• Ensemble learning

References

1. B. Ö. Başer, M. Yangın, ve E. S. Sarıdaş, Makine öğrenmesi teknikleriyle diyabet hastalığının sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112–120, 2021. https://doi.org/10.19113/sdufenbed.842460.
2. Diabetes mellitus ve komplikasyonlarının tanı, tedavi ve izlem kılavuzu, https://file.temd.org.tr/ Uploads/publications/guides/documents/diabetes-mellitus_2022.pdf, Accessed 09 May, 2022.
3. N. Eroğlu, Diabetes Mellitus’un komplikasyonları. İzmir Demokrasi Üniversitesi Sağlık Bilimleri Dergisi, 1(2), 6-12, 2018.
4. K. Akyol ve A. Karacı, Diyabet hastalığının erken aşamada tahmin edilmesi için makine öğrenme algoritmalarının performanslarının karşılaştırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(6), 123–134, 2021, https://doi.org/10.1016/10.29130/ dubited.1014508.
5. F. Al-Areqi and M. Z. Konyar, Effectiveness evaluation of different feature extraction methods for classification of Covid-19 from computed tomography images: A high accuracy classification study. Biomedical Signal Processing and Control, 76, 2022, https://doi.org/10.1016/j.bspc.2022.103662.
6. F. Al-Areqi and M. Z. Konyar, transfer öğrenme mimarileri kullanılarak bilgisayarlı tomografi görüntülerinden Covid-19'un yüksek doğrulukla sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 13(3), 457-466, 2022, https://doi.org/10.24012/dumf.1129870.
7. Ü. Veranyurt, A. F. Deveci, ve M. F. Esen, Makine öğrenmesi teknikleriyle hastalık sınıflandırması: Random Forest, K-Nearest Neighbour ve Adaboost algoritmaları uygulaması. Uluslararası Sağlık Yönetimi ve Araştırmaları Dergisi, 6(2), 275–286, 2020.
8. Y. Özkan, B. S. Yürekli, ve A. Suner, Diyabet tanısının tahminlenmesinde denetimli makine öğrenme algoritmalarının performans karşılaştırması. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 12(1), 211–226, 2021, https://doi.org/ 10.17714/gumusfenbil.820882.

9. G. Bilgin, Makine öğrenmesi algoritmaları kullanarak erken dönemde diyabet hastalığı riskinin araştırılması. Zeki Sistemler Teori ve Uygulamaları Dergisi, 4(1), 55–64, 2021, https://doi.org/10.38016/jista.877292.
10. N. P. Tigga and S. Garg, Prediction of type 2 diabetes using machine learning classification methods. Procedia Computer Science., 167, 706–716, 2020, https://doi.org/10.1016/j.procs.2020.03.336.
11. S. Nahzat ve M. Yağanoğlu, Diabetes prediction using machine learning classification algorithms. European Journal of Science and Technology, 24, 53–59, 2021, https://doi.org/10.31590/ejosat.899716.
12. V. Chang, J. Bailey, Qianwen, A. Xu, and Z. Sun, Pima Indians diabetes mellitus classification based on machine learning (ML) algorithms, https://doi.org/10.1007/s00521-022-07049-z.
13. S. Joshi and S. R. P. Shetty, Performance analysis of different classification methods in data mining for diabetes dataset using WEKA tool. International Journal on Recent and Innovation Trends in Computing and Communication, 3(3), 1168–1173, 2015, https://doi.org/10/10.17762/ijritcc2321-8169.150361.
14. G. Harman, Prediction of Diabates Mentilus by using SVM and Naive Bayes classification algorithms. European Journal of Science and Technology, 32, 7–13, 2021, https://doi.org/10.31590/ejosat.1041186.
15. Y. Guo, G. Bai, and Y. Hu, Using Bayes Network for prediction of type-2 diabetes. International Conference for Internet Technology and Secured Transactions (ICITST 2012), pp. 471–476, London, England, 2012.
16. M. B. ER ve İ. Işık, LSTM tabanlı derin ağlar kullanılarak diyabet hastalığı tahmini. Türk Doğa ve Fen Dergisi, 10(1), 68–74, 2021, https://doi.org/ 10.46810/tdfd.818528.
17. G. Yangın, XGboost ve Karar Ağacı tabanlı algoritmaların diyabet veri setleri üzerine uygulaması. Yüksek Lisans Tezi, Mimar Sinan Güzel Sanatlar Üniversitesi Fen Bilimleri Enstitüsü, Türkiye, 2019.
18. A. G. Karegowda, V. Punya,, M. A. Jayaram, and A. S. Manjunath, Rule based classification for diabetic patients using Cascaded K-Means and Decision Tree C4 . 5. International Journal of Computer Applications, 45(12), 45–50, 2012, https://doi.org/10.5120/6836-9460.
19. M. Maniruzzaman, N. Kumar, M. M. Abedin, M. S. Islam, H. S. Suri, A.s El-Baz, J. S. Suri, Comparative approaches for classification of Diabetes Mellitus data: Machine learning paradigm. Computer Methods and Programs in Biomedicine. 152, 23–34, 2017, https://doi.org/10.1016/J.CMPB.2017.09.004.
20. Ö. Deperlioğlu ve U. Köse, Derin Sinir Ağları kullanarak diabet teşhisi., 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), pp. 1–4, Ankara, Türkiye, 2018.
21. P. Cihan and H. Coskun, Performance comparison of machine learning models for diabetes prediction, 29th Signal Processing and Communications Applications Conference (SIU’2021), pp. 26–30, İstanbul, Türkiye, 2021,
22. P. B. M. Kumar, R. S. Perumal, R. K. Nadesh, and K. Arivuselvan, Type 2: Diabetes Mellitus prediction using Deep Neural Networks classifier. International Journal of Cognitive Computing in Engineering, 1, 55–61, 2020, https://doi.org/10.1016/j.ijcce.2020.10.002.
23. E. Yıldırım and A. Çalhan, Machine learning supported diabetes prediction with Apache Spark. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 10(3), 1107–1117, 2022, https://doi.org/10.29130/dubited.999048.
24. Pima Indians Diabetes Database | Kaggle, https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database/, Accessed 09 May, 2022.