Yıl 2019, Cilt , Sayı 16, Sayfalar 176 - 185 2019-08-31

Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması

Onur Sevli [1]


Bilgisayarlar insanlara nazaran daha hızlı işlem yapabilmektedir ancak karar verme yetenekleri kısıtlıdır. Günümüz bilgisayarlarının daha iyi analizler yapıp tahminlerde bulunabilmeleri için çeşitli makine öğrenmesi teknikleri geliştirilmektedir. Bu teknikler bilgisayarların karar verme güçlerini arttırmakta ve farklı sahalarda uzmanlara destek sistemlerin geliştirilmesine olanak sağlamaktadır. Makine öğrenmesi tekniklerinin, başarılı sınıflama ve tanılama yetenekleri ile hastalık teşhisinde medikal uzmanlara yardımcı olarak kullanımları hızla artmaktadır. Kanser teşhisinde de kullanımı hızla artan makine öğrenmesi ile başarılı çalışmalar yapılabilmektedir. Göğüs kanseri dünya genelinde en yaygın görülen ikinci kanser türü olup kadınlar arasında kanser kaynaklı en yüksek oranda ölüme sebep olan hastalıktır.  Diğer tüm kanser türlerinde olduğu gibi göğüs kanserinin de erken teşhisi ölüm oranını azaltmada kritik bir öneme sahiptir. Göğüs kanseri tanısı, test sonuçların yorumlanarak teşhis edilmesi uzman insan bilgisine ihtiyaç duymaktadır ancak gelişen makine öğrenmesi teknikleri ile göğüs kanseri teşhisinde başarılı çalışmalar yürütülmektedir. Makine öğrenmesi bilgisayarların mevcut verilerden öğrenerek karmaşık ve büyük veri setleri içerisindeki desenleri hızlı bir şekilde tespit etmesini sağlayan bir yapay zekâ dalıdır. Bu yeteneğinden dolayı makine öğrenmesi kanser tanı ve teşhisinde özellikle göğüs kanseri konusunda da yaygın kullanım alanı bulmaktadır. Bu çalışmada her biri 30 adet özellik içeren ve 569 örnekten oluşan Wisconsin Üniversitesi göğüs kanseri veri seti, beş farklı makine öğrenmesi tekniği ile sınıflandırılmıştır. Veriler rastgele olarak eğitim ve test setlerine ayrılmıştır. Destek vektör makinesi, Naïve Bayes, rastgele orman, K en yakın komşu ve lojistik regresyon metotları ile gerçekleştirilen eğitim sürecinin ardından confusion matrisleri ve roc eğrileri oluşturulmuştur. Her bir tekniğin başarısı karşılaştırılmıştır. Bu karşılaştırmanın sonucunda lojistik regresyonun %98.24 doğruluk ile en başarılı yöntem olduğu ortaya konmuştur.

Göğüs kanseri, Makine öğrenmesi, Yapay zekâ
  • [1] Kolay, N., Erdoğmuş, P., The classification of breast cancer with Machine Learning Techniques. In Electric Electronics, Computer Science, Biomedical Engineerings' Meeting (EBBT), 1-4, 2016.
  • [2] Jemal, A., Siegel, R., Xu, J., Ward, E., Cancer statistics 2010, CA: a cancer journal for clinicians, 60(5), 277-300, 2010.
  • [3] Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A., Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries, CA: a cancer journal for clinicians, 68(6), 394-424, 2018.
  • [4] Papageorgiou, E. I., Jayashree Subramanian, Karmegam, A., & Papandrianos, N., A risk management model for familial breast cancer: A new application using Fuzzy Cognitive Map method, Computer Methods and Programs in Biomedicine, 122(2), 123–135, 2015.
  • [5] Tapak, L., Shirmohammadi-Khorram, N., Amini, P., Alafchi, B., Hamidi, O., & Poorolajal, J., Prediction of survival and metastasis in breast cancer patients using machine learning classifiers, Clinical Epidemiology and Global Health, 2018.
  • [6] Cruz, J. A., Wishart, D. S., Applications of machine learning in cancer prediction and prognosis, Cancer informatics, 2, 2006.
  • [7] Jemal, A., Bray, F., Center, M. M., Ferlay, J., Ward, E., Forman, D., Global cancer statistics, CA: a cancer journal for clinicians, 61(2), 69-90, 2011.
  • [8] Kourou, K., Exarchos, T. P., Exarchos, K. P., Karamouzis, M. V., Fotiadis, D. I., Machine learning applications in cancer prognosis and prediction, Computational and structural biotechnology journal, 13, 8-17, 2015.
  • [9] Thyagarajan, R., Murugavalli, S., Segmentation of Digital Breast Tomograms using clustering techniques, In India Conference (INDICON), 2012 Annual IEEE, 1090-1094, 2012.
  • [10] Heriana, O., Soesanti, I., Tumor size classification of breast thermal image using fuzzy C-Means algorithm, In Radar, Antenna, Microwave, Electronics, and Telecommunications (ICRAMET), 2015 International Conference on, 98-103, 2015.
  • [11] Belciug, S., Salem, A. B., Gorunescu, F., Gorunescu, M., Clustering-based approach for detecting breast cancer recurrence, In Intelligent Systems Design and Applications (ISDA), 2010 10th International Conference on, 533-538, 2010.
  • [12] Abbosh, Y. M., Yahya, A. F., Abbosh, A., Neural networks for the detection and localization of breast cancer, In Communications and Information Technology (ICCIT), 2011 International Conference on, 156-159, 2011.
  • [13] Isa, N. A. M., Hamid, N. H. A., Sakim, H. A. M., Mashor, M. Y., Zamli, K. Z., Intelligent classification system for cancer data based on artificial neural network, In Cybernetics and Intelligent Systems, 2004 IEEE Conference on, 196-201, 2004.
  • [14] Pawar, P. S., Patil, D. R., Breast cancer detection using neural network models, In Communication Systems and Network Technologies (CSNT), 2013 International Conference on, 568-572, 2013.
  • [15] Shen, L., Chen, H., Yu, Z., Kang, W., Zhang, B., Li, H., Liu, D., Evolving support vector machines using fruit fly optimization for medical data classification, Knowledge-Based Systems, 96, 61-75, 2016.
  • [16] Banu, G. S., Fareeth, A., Hundewale, N., Prediction of breast cancer in mammagram image using support vector machine and fuzzy C-means, In Biomedical and Health Informatics (BHI), 2012 IEEE-EMBS International Conference on, 573-576, 2012.
  • [17] Majid, A., Ali, S., Iqbal, M., Kausar, N., Prediction of human breast and colon cancers from imbalanced data using nearest neighbor and support vector machines, Computer methods and programs in biomedicine, 113(3), 792-808, 2014.
  • [18] Ribeiro, A. C., Silva, D. P., Araujo, E., Fuzzy breast cancer risk assessment, In Fuzzy Systems (FUZZ-IEEE), 2014 IEEE International Conference on, 1083-1087, 2014.
  • [19] Keleş, A., Keleş, A., Yavuz, U., Expert system based on neuro-fuzzy rules for diagnosis breast cancer, Expert systems with applications, 38(5), 5719-5726, 2011.
  • [20] Ravdin, P. M., Clark, G. M., A practical application of neural network analysis for predicting outcome of individual breast cancer patients, Breast cancer research and treatment, 22(3), 285-293, 1992.
  • [21] Mangasarian, O. L., Street, W. N., Wolberg, W. H., Breast cancer diagnosis and prognosis via linear programming, Operations Research, 43(4), 570-577, 1995.
  • [22] Ravi, V., Zimmermann, H. J., Fuzzy rule based classification with FeatureSelector and modified threshold accepting, European Journal of Operational Research, 123(1), 16-28, 2000.
  • [23] Delen, D., Walker, G., Kadam, A., Predicting breast cancer survivability: a comparison of three data mining methods. Artificial intelligence in medicine, 34(2), 113-127, 2005.
  • [24] Polat, K., Güneş, S., Breast cancer diagnosis using least square support vector machine, Digital signal processing, 17(4), 694-701, 2007.
  • [25] Khan, M. U., Choi, J. P., Shin, H., Kim, M., Predicting breast cancer survivability using fuzzy decision trees for personalized healthcare, In Engineering in Medicine and Biology Society 30th Annual International Conference of the IEEE , 5148-5151, 2008.
  • [26] Chauhan, N., Ravi, V., Chandra, D. K., Differential evolution trained wavelet neural networks: Application to bankruptcy prediction in banks, Expert Systems with Applications, 36(4), 7659-7665, 2009.
  • [27] Karabatak, M., Ince, M. C., An expert system for detection of breast cancer based on association rules and neural network, Expert systems with Applications, 36(2), 3465-3469, 2009.
  • [28] Costantino, J. P., Gail, M. H., Pee, D., Anderson, S., Redmond, C. K., Benichou, J., Wieand, H. S., Validation studies for models projecting the risk of invasive and total breast cancer incidence, Journal of the National Cancer Institute, 91(18), 1541-1548, 1999.
  • [29] Tyrer, J., Duffy, S. W., Cuzick, J., A breast cancer prediction model incorporating familial and personal risk factors, Statistics in medicine, 23(7), 1111-1130, 2004.
  • [30] Parmigiani, G., Berry, D. A., Aguilar, O., Determining carrier probabilities for breast cancer–susceptibility genes BRCA1 and BRCA2, The American Journal of Human Genetics, 62(1), 145-158, 1998.
  • [31] Powell, M., Jamshidian, F., Cheyne, K., Nititham, J., Prebil, L. A., Ereman, R., Assessing breast cancer risk models in Marin County, a population with high rates of delayed childbirth, Clinical breast cancer, 14(3), 212-220, 2014.
  • [32] Alharbi, A., Tchier, F., Using a genetic-fuzzy algorithm as a computer aided diagnosis tool on Saudi Arabian breast cancer database, Mathematical biosciences, 286, 39-48, 2017.
  • [33] AKYOL, K., Meme Kanseri Tanısı İçin Özniteliklerin Öneminin Değerlendirilmesi Üzerine Bir Çalışma, Academic Platform Journal of Engineering and Science, 6(2), 109–115, 2018.
  • [34] Cortes, C., Vapnik, V., Support-vector networks, Machine learning, 20(3), 273-297, 1995.
  • [35] Wood, A., Shpilrain, V., Najarian, K., Kahrobaei, D., Private naive bayes classification of personal biomedical data: Application in cancer data analysis. Computers in biology and medicine, 105, 144-150, 2019.
  • [36] Breiman, L., Random forests. Machine learning, 45(1), 5-32, 2001.
  • [37] Yang, Y., Loog, M., A benchmark and comparison of active learning for logistic regression, Pattern Recognition, 83, 401-415, 2018.
Birincil Dil tr
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Orcid: 0000-0002-8933-8395
Yazar: Onur Sevli (Sorumlu Yazar)
Kurum: BURDUR MEHMET AKİF ERSOY ÜNİVERSİTESİ
Ülke: Turkey


Tarihler

Yayımlanma Tarihi : 31 Ağustos 2019

Bibtex @araştırma makalesi { ejosat553549, journal = {Avrupa Bilim ve Teknoloji Dergisi}, issn = {}, eissn = {2148-2683}, address = {}, publisher = {Osman SAĞDIÇ}, year = {2019}, volume = {}, pages = {176 - 185}, doi = {10.31590/ejosat.553549}, title = {Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması}, key = {cite}, author = {Sevli, Onur} }
APA Sevli, O . (2019). Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi , (16) , 176-185 . DOI: 10.31590/ejosat.553549
MLA Sevli, O . "Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması". Avrupa Bilim ve Teknoloji Dergisi (2019 ): 176-185 <https://dergipark.org.tr/tr/pub/ejosat/issue/45333/553549>
Chicago Sevli, O . "Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması". Avrupa Bilim ve Teknoloji Dergisi (2019 ): 176-185
RIS TY - JOUR T1 - Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması AU - Onur Sevli Y1 - 2019 PY - 2019 N1 - doi: 10.31590/ejosat.553549 DO - 10.31590/ejosat.553549 T2 - Avrupa Bilim ve Teknoloji Dergisi JF - Journal JO - JOR SP - 176 EP - 185 VL - IS - 16 SN - -2148-2683 M3 - doi: 10.31590/ejosat.553549 UR - https://doi.org/10.31590/ejosat.553549 Y2 - 2019 ER -
EndNote %0 Avrupa Bilim ve Teknoloji Dergisi Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması %A Onur Sevli %T Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması %D 2019 %J Avrupa Bilim ve Teknoloji Dergisi %P -2148-2683 %V %N 16 %R doi: 10.31590/ejosat.553549 %U 10.31590/ejosat.553549
ISNAD Sevli, Onur . "Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması". Avrupa Bilim ve Teknoloji Dergisi / 16 (Ağustos 2019): 176-185 . https://doi.org/10.31590/ejosat.553549
AMA Sevli O . Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi. 2019; (16): 176-185.
Vancouver Sevli O . Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi. 2019; (16): 185-176.