Alt Uzay k-NN ile Eritmato-Skuamöz Hastalık Türlerinin Sınıflandırılması

Yıl 2019, , 583 - 587, 27.09.2019

Duygu Kaya

https://doi.org/10.35234/fumbd.613071

Öz

Veri
analiz ve sınıflandırma tekniklerinin gelişmesinin sonucu olarak biyomedikal
çalışmalarda akıllı hesaplama yöntemlerinin kullanımı oldukça önemli bir yer
tutmaktadır. Eritmato-Skuamöz Hastalığı (ESD), altı çeşidi bulunan dermatoloji
alanında büyük öneme sahip bir hastalıktır. Parçacık tanıma, veri madenciliği
bileşenin özelliklerini tanımlamaya ve hastalığı teşhis etmeye yardımcı olur.
Bu çalışmada UCI veri tabanından alınan veri setinden ESD'nin, Topluluk Öğrenim
algoritmalarından alt uzay k-NN ile teşhis edilmesi amaçlanmıştır. Bu amaçla,
hem klinik hem de histopatolojik özellikleri bir arada bulunduran ESD verileri
ilk önce z normalizasyonu ile normalize edilmiştir. Normalize edilen veriler
daha sonra alt uzay k-NN algoritması ile çapraz doğrulama uygulanarak
sınıflandırılmıştır. Model başarım ölçütü için doğruluk, kesinlik, hassasiyet,
F ölçütü ve Kappa katsayısı parametreleri kullanılmıştır ve sonuçlar
yorumlanmıştır. Önerilen modelin doğruluğu %98.045’tir. Sonuçlar, kullanılan
sınıflandırıcının ESD hastalık türlerinin sınıflandırılmasında faydalı
olabileceğini göstermiştir. Ayrıca veri sayısının artırılarak derin öğrenme
algoritmaları ile daha iyi sonuçlar alınabileceği öngörülmektedir

Anahtar Kelimeler

Topluluk öğrenimi, Eritmato-Skuamöz Hastalığı, alt uzay k-NN

Kaynakça

• [1] Güvenir H. A. ve Emeksiz N., "An expert system for the differential diagnosis of erythemato-squamous diseases," Expert Systems with Applications, 2000; 18: 43-49.
• [2] Güvenir, H. A., Demiröz, G. ve İlter, N. "Learning differential diagnosis of erythemato-squamous diseases using voting feature intervals," Artificial Intelligence in Medicine, 1998; 13: 147-165.
• [3] Elsayad, A., Dhaifullah, M., Nassef A. M., Analysis and Diagnosis of Erythemato-Squamous Diseases Using CHAID Decision Trees,15th International Multi-Conference on Systems, Signals & Devices (SSD), 2018.
• [4] Maghooli, K., Langarizadeh, M., Shahmoradi. L, Habibikoolaee, M., Jebraeily, M. and Bouraghi, H., Differential Diagnosis of Erythmato Squamous Diseases Using Classification and Regression Tree, Acta Inform Med. 2016 OCT; 24(5): 338-34.
• [5] Wang, L. and Sui, T. Z. "Application of Data Mining Technology Based on Neural Network in the Engineering," in International Conference on Wireless Communications, Networking and Mobile Computing, 2007, pp. 5544-5547.
• [6] Baumgartner, C., Knowledge Discovery and Data Mining in Biomedicine, Thesis for Habilitation, University for Health Sciences, Medical Informatics and Technology, 2005.
• [7] Bache, K. and Lichman, M.,“{UCI} Machine Learning Repository”, University of California, Irvine, School of Information and Computer Sciences, 2013.
• [8] http://archive.ics.uci.edu/ml/datasets/Dermatology.
• [9] MEB, M. and N., Altayash, Differential Diagnosis of Erythemato-Squamous Diseases Using Ensemble of Decision Trees; Modern Advances in Applied Intelligence Springer;. 2014, pp. 369–77.
• [10] Polat K. ve Güneş, S. A novel hybrid intelligent method based on C4. 5 decision tree classifier and one-against-all approach for multi-class classification problems. Expert Systems with Applications. 2009; 36(2):1587-92.
• [11] Kaya, D. Biyomedikal İşaretlerin Sınıflandırılması İçin Akıllı Tekniklerin LabVIEW Ortamında Gerçeklenmesi. Fırat Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, Mayıs 2018.
• [12] Paleologo, G., Elisseeff, A. and Antonini, G. "Subagging for credit scoring models," European Journal of Operational Research, 2010, vol. 201, pp. 490-499.
• [13] Gang, W., Jinxing, H., Jian, M. and Hongbing, J. "A comparative assessment of ensemble learning for credit scoring," Expert Syst. Appl., 2011; 38: pp. 223-230.
• [14] Breiman, L., Friedman, J., Stone, C. J., ve Olshen, R. A., Classification and Regression Trees: Taylor & Francis, 1984.
• [15] Kaya, D., Türk, M. ve Kaya, T., En Yakın Komşu Algoritması Kullanılarak EEG Sinyallerine Boyut Azaltmanın Etkilerinin İncelenmesi, El-Cezeri Fen ve Mühendislik Dergisi, 2018; 5(2): 591 – 595.
• [16] J.R. Landis & G.G.Koch, The measurement of observer agreement for categorical data. Biometrics, 1977; 33: 159-174.