Yapay Sinir Ağı ve Lojistik Regresyon Yöntemleri Kullanılarak Meme Kanseri Sınıfının Tahmin Edilmesi

Yıl 2022, Cilt: 3 Sayı: 1, 26 - 31, 31.01.2022

Serel Özmen-akyol

https://doi.org/10.53608/estudambilisim.1052793

Cited By: 1

Öz

Bu çalışmada meme kanseri tipi için Yapay Sinir Ağları (YSA) ve Lojistik Regresyon (LR) tahmin modelleri geliştirilmiştir. Önerilen modellere, meme kanseri tipi tahmini için gerçek klinik veriler uygulanmaktadır. Tahmin modeli oluşturmak amacıyla, modelin eğitiminde ve test edilmesinde kullanılan 699 örnek ve 10 öznitelik bulunmaktadır. YSA ve LR modellerinde kullanılan veriler, 9 giriş parametresi ve meme kanseri sınıfı (iyi veya kötü huylu) olan bir çıkış parametresi şeklinde düzenlenmiştir. Değerlendirme, iki yöntemle elde edilen veriler karşılaştırılarak yapılmıştır. ANN ve LR modelleri sırasıyla 94,78% ve 96,18% doğruluk performansına sahiptir. LR yönteminin doğruluk oranı, ANN yönteminden daha iyidir. Bunun nedeni, LR yönteminin analizleri kategorik verilerin yapısını dikkate alarak yapmasıdır.

Anahtar Kelimeler

Yapay Sinir Ağları, Bulanık Sinir Ağları, Lojistik Regresyon, Makine öğrenmesi

Estimating Breast Cancer Class Using Artificial Neural Network and Logistic Regression Methods

Öz

In this study, artificial neural networks (ANN) and logistic regression (LR) prediction models for breast cancer type has been developed. The proposed models are implemented with real clinical data for breast cancer type prediction. For purpose of constructing the prediction model, there are 699 instances and 10 attributes used in training and testing for the model. The data used in the ANN and LR models are arranged in a format of 9 input parameters and an output parameter which is the class of breast cancer (benign or malignant). The evaluation was made by comparing the data obtained by the two methods. ANN and LR models have accuracy performance 94,78% and 96,18%, respectively. The LR method's accuracy rate is better than the ANN method. This is because the LR method analyzes by taking into account the form of categorical data.

Anahtar Kelimeler

Artificial Neural Networks, Fuzzy Neural Networks, Logistic Regression, Machine Learning

Kaynakça

• G. Cosma, G. Acampora, D. Brown, R. C. Rees, M. Khan, and A. G. Pockley, “Prediction of Pathological Stage in Patients with Prostate Cancer: A Neuro-Fuzzy Model,” PLoS One, vol. 11, no. 6, pp. 1–27, 2016.
• A. Atashi, N. Nazeri, E. Abbasi, S. Dorri, and M. Alijani-Z, “Breast Cancer Risk Assessment Using Adaptive Neuro-Fuzzy Inference System (ANFIS) and Subtractive Clustering Algorithm,” Multidiscip. Cancer Investig., vol. 1, no. 2, pp. 20–26, 2017.
• B. S. Khehra and A. P. S. Pharwaha, “Classification of clustered microcalcifications using MLFFBP-ANN and SVM,” Egypt. Informatics J., vol. 17, no. 1, pp. 11–20, 2016.
• G. Cosma, G. Acampora, D. Brown, R. C. Rees, M. Khan, and A. G. Pockley, “Prediction of Pathological Stage in Patients with Prostate Cancer: A Neuro-Fuzzy Model,” PLoS One, vol. 11, no. 6, pp. 1–27, 2016.
• A. Rezaei, L. Noori, and M. Taghipour, “The Use of ANFIS and RBF to Model and Predict the Inhibitory Concentration Values Determined by MTT Assay on Cancer Cell Lines,” Int. J. Inf. Technol. Comput. Sci., vol. 8, no. 4, pp. 28–34, 2016.
• G. Mohan and M. M. Subashini, “MRI Based Medical Image Analysis: Survey on Brain Tumor Grade Classification,” Biomed. Signal Process. Control, vol. 39, pp. 139–161, 2018.
• B. D. Barkana, I. Saricicek, and B. Yildirim, “Performance Analysis of Descriptive Statistical Features in Retinal Vessel Segmentation via Fuzzy Logic , ANN , SVM , and Classifier Fusion,” Knowledge-Based Syst., vol. 118, pp. 165–176, 2017.
• H. Korkmaz, E. Canayaz, S. Birtane, and Z. A. Altikardes, “Fuzzy Logic Based Risk Assessment System Giving Individualized Advice for Metabolic Syndrome and Fatal Cardiovascular Diseases,” Technol. Heal. Care, vol. 27, no. S1, pp. S59–S66, 2019.
• H. Olmuş and S. Erbaş, “Bayes Ağlarda Kümeleme Metotunu Kullanarak Meme Kanseri Tanısının Modellenmesi,” Turkiye Klin. J Biostat, vol. 4, no. 1, pp. 10–19, 2012.
• E. I. Papageorgiou, N. I. Papandrianos, D. Apostolopoulos, and P. Vassilakos, “Complementary Use of Fuzzy Decision Trees and Augmented Fuzzy Cognitive Maps for Decision Making in Medical Informatics,” in 2008 International Conference on BioMedical Engineering and Informatics, 2008, vol. 1, pp. 888–892.
• H. B. Burke et al., “Artificial Neural Networks Improve the Accuracy of Cancer Survival Prediction,” Am. Cancer Soc., vol. 79, no. 4, pp. 857–862, 1997.
• X. Zhou, K. Y. Liu, and S. T. C. Wong, “Cancer Classification and Prediction Using Logistic Regression with Bayesian Gene Selection,” J. Biomed. Inform., vol. 37, no. 4, pp. 249–259, 2004.
• Y. Atakurt, “Lojistik Regresyon Anali̇zi̇ ve Tıp Alanında Kullanımına İlişkin Bir Uygulama,” Ankara Üniversitesi Tıp Fakültesi Mecmuası, vol. 52, no. 4, pp. 191–199, 1999.
• Y. Kitiş, N. Bilgili, F. Hisar, and S. Ayaz, “Yirmi Yaş ve Üzeri Kadınlarda Metabolik Sendrom Sıklığı ve Bunu Etkileyen Faktörler,” Anatol. J. Cardiol., vol. 10, pp. 111–119, 2010.
• Y. Yengi and S. İlhan Omurca, “Lojistik Regresyonun Özellik Azaltma Teknikleri ile Gen Dizilimlerinin Sınıflandırılmasındaki Başarısı,” Türkiye Bilişim Vakfı Bilgi. Bilim. ve Mühendisliği Derg., vol. 8, no. 1, pp. 1–12, 2015.
• M. E. Shipe, S. A. Deppen, F. Farjah, and E. L. Grogan, “Developing Prediction Models for Clinical Use Using Logistic Regression: An Overview,” J. Thorac. Dis., vol. 11, no. Suppl 4, pp. S574–S584, 2019.
• S. Coşkun, M. Kartal, A. Coşkun, and H. Bircan, “Lojistik Regresyon Analizinin İncelenmesi ve Dişhekimliğinde Bir Uygulaması,” Cumhur. Üniversitesi Diş Hekim. Fakültesi Derg., vol. 7, no. 1, 2004.
• [İ. Kaya, S. Oktay, and O. Engin, “Kalite Kontrol Problemlerinin Çözümünde Yapay Sinir Ağlarının Kullanımı,” Erciyes Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 21, no. 1–2, pp. 92–107, 2005.
• M. Caner and E. Akarslan, “Mermer Kesme İşleminde Spesifik Enerji Faktörünün ANFIS ve YSA Yöntemleri ile Tahmini Estimation of Specific Energy Factor in Marble Cutting Process Using,” Pamukkale Üniversitesi Mühendislik Bilim. Derg., vol. 15, no. 2, pp. 221–226, 2009.
• F. E. Harrell, “Binary Logistic Regression,” in Regression Modeling Strategies, 2nd ed., Cham,Switzerland: Springer Series in Statistics,Springer, 2015, pp. 219–274.
• D. Lei, M. Du, H. Chen, Z. Li, and Y. Wu, “Distributed Parallel Sparse Multinomial Logistic Regression,” IEEE Access, vol. 4, pp. 1–13, 2016.
• A. Agresti, An Introduction to Categorical Data Analysis, 2nd ed. Florida, United States: Wiley, 2007.
• J. I. E. Hoffman, “Logistic Regression,” in Biostatistics for Medical and Biomedical Practitioners, Tiburon, California, USA: Elsevier, 2015, pp. 601–611.
• Ö. Çokluk, G. Şekercioğlu, and Ş. Büyüköztürk, Sosyal Bilimler için Çok Değişkenli İstatistik SPSS ve LISREL Uygulamaları [SPSS and LISREL Applications of Multivariate Statistics for the Social Sciences], 2. Ankara, Turkey: Pegem Akademi, 2012.
• D. W. Hosmer and S. Lemeshow, Applied Logistic Regression, 2nd ed. Hoboken, NJ,USA: John Wiley & Sons, Inc., 2000.
• “Breast Cancer Wisconsin (Original) Data Set.” [Online]. Available: https://archive.ics.uci.edu/ml/datasets/breast+cancer+wisconsin+(original).
• U. KUT and E. GÜLBANDILAR, “Yapay Zekâ Uygulamasıyla Seramik Nesnelerin Şekilsel Deformasyonun İncelenmesi : ANFIS,” ESTUDAM Bilişim Derg., vol. 1, no. 1, pp. 12–16, 2020.
• H. S. Shih, H. J. Shyur, and E. S. Lee, “An extension of TOPSIS for group decision making,” Math. Comput. Model., vol. 45, no. 7–8, pp. 801–813, 2007.
• İ. Gölcük and A. Baykasoğlu, “An Analysis of DEMATEL Approaches for Criteria Interaction Handling within ANP,” Expert Syst. Appl., vol. 46, pp. 346–366, 2016.