Abstract

Cancer disease is known as the second highest cause of death in the world. One of the most common types of this disease is skin cancer. As in almost all cancer diseases, early diagnosis and treatment of skin cancer is of great importance. In the process of diagnosing cancer, Machine Learning-based methods are also widely used in addition to traditional methods. The most important advantage of these methods is that they eliminate or minimize human errors that may arise during the cancer diagnosis process. In this study, skin cancer was diagnosed with K-Nearest Neighbor (KNN), Naive Bayes (NB), Random Forest (RO), Logistic Regression (LR), and Artificial Neural Networks (ANN) methods using images taken from patients. In these algorithms, the training and testing process was run, the results were analyzed and models were created. With these models, benign and malignant lesions were compared and skin cancerous lesions were detected and success percentages were revealed. As a result, the best results were obtained using the ANN method, with a training percentage of 99.1% and a testing percentage of 98.6%. When different inputs were given to the created and proposed ANN model, it was observed that the model predicted skin cancer with a high accuracy rate. The results obtained revealed the success of the study and that machine learning methods are a usable method in the cancer diagnosis process.

Keywords

• Skin Cancer
• Machine Learning
• Diagnosis
• Prediction

Makine Öğrenmesi Yöntemleri Kullanılarak Melanom Cilt Kanserinin Tahmin Edilmesi

Abstract

Kanser hastalığı, dünyadaki en yüksek ikinci ölüm nedeni olarak bilinmektedir. Bu hastalığın en yaygın türlerinden biri de cilt kanseridir. Hemen hemen tüm kanser hastalıklarında olduğu gibi cilt kanserinde de erken teşhis, tedavi sürecinde oldukça büyük bir öneme sahiptir. Kanser hastalığının teşhisi sürecinde, geleneksel yöntemlerin yanı sıra Makine Öğrenmesi tabanlı yöntemler de yaygın olarak kullanılmaktadır. Sözkonusu yöntemlerin en önemli avantajı, kanser teşhisi sürecinde insan kaynaklı doğabilecek hataları ortadan kaldırması veya minimize etmesidir. Bu çalışmada, hastalardan alınan görüntüler kullanılarak K-En Yakın Komşu (KNN), Naive Bayes (NB), Rastgele Orman (RO), Lojistik Regresyon (LR) ve Yapay Sinir Ağları (YSA) yöntemleri ile cilt kanseri hastalığı teşhis edilmiştir. Bu algoritmalarda eğitim ve test süreci işletilerek sonuçlar analiz edilmiş ve modeller oluşturulmuştur. Bu modeller ile iyi ve kötü huylu lezyonlar karşılaştırılmış ve cilt kanseri olan lezyonlar tespit edilerek başarı yüzdeleri ortaya konulmuştur. Sonuç olarak, en iyi sonuçlar eğitim yüzdesi %99.1, test yüzdesi ise %98.6’lık bir oran ile Yapay Sinir Ağları yöntemi kullanılarak elde edilmiştir. Oluşturulan ve önerilen yapay sinir ağı modeline farklı girdiler verildiğinde, modelin cilt kanseri hastalığını yüksek bir doğruluk oranıyla tahmin ettiği görülmüştür. Elde edilen sonuçlar, yapılan çalışmanın başarısını ve makine öğrenmesi yöntemlerinin kanser teşhisi sürecinde kullanılabilir bir yöntem olduğunu ortaya koymuştur.

Keywords

• Makine Öğrenmesi
• Cilt Kanseri
• Tahmin
• Teşhis

References

1. [1] O. Baykara, “Kanser Tedavisinde Güncel Yaklaşımlar,” Balıkesir Sağlık Bilimleri Dergisi, vol.5, no. 3, pp. 154-165, 2016.
2. [2] WHO, “Cancer,” WHO-Home/Newsroom/Fact sheets/Detail/Cancer, [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/cancer. [Accessed: 3.02. 2023].
3. [3] Z. Faisal and N. Abbadi, “New Segmentation Method for Skin Cancer Lesions,” Journal of Engineering and Applied Sciences, vol. 12, no. 21, pp. 5598-5602, 2017.
4. [4] K. H. Güngör, “Metastaz Yapmamış Melanoma ve Melanoma Dışı Deri Kanserleri için Geliştirilmiş Olan Deri Kanseri İlişkili Yaşam Kalitesi Ölçeğinin (Dkykö) Türkçe Geçerlilik ve Güvenilirliğinin Araştırılması,” Tıpta Uzmanlık Tezi, Ankara Üniversitesi Tıp Fakültesi, Ankara, 2016.
5. [5] E. Acer ve H. K. Erdoğan, “Sık Görülen Deri Kanserlerinin Epidemiyolojisi,” Dermatoloji ve Halk Sağlığı Özel Sayısı, vol.4, no. 1, ss. 52-60, 2019. doi:10.35232/estudamhsd.499257
6. [6] A. Staff, “Cancer Facts and Figures Atlanta: American Cancer Society,” Cancer, vol. 9, pp. 19-20, 2018.
7. [7] A. Sümen ve S. Öncel, “Türkiye'de cilt kanseri ve güneşten korunmaya yönelik yapılan araştırmaların incelenmesi,” Türkiye Klinikleri Hemşirelik Bilimleri Dergisi, vol. 10, no. 1, ss. 59-69, 2018. doi:10.5336/nurses.2017-56858
8. [8] A. M. Glazer, D. S. Rigel, R. R. Winkelmann and A. S. Farberg “Clinical diagnosis of skin cancer: enhancing inspection and early recognition,” Dermatologic Clinics, vol. 35, no. 4, pp. 409-416, 2017. doi:10.1016/j.det.2017.06.001

9. [9] C. P Akyel, ve N. Arıcı, “Cilt kanserinde kıl temizliği ve lezyon bölütlemesinde yeni bir yaklaşım,” Politeknik Dergisi, vol. 23, no. 3, ss. 821-828, 2020.
10. [10] Ü. Yılmaz, Yapay Sinir Ağları ile Melanom Cilt Kanseri Tespiti, Geleceğin Dünyasında Bilimsel ve Mesleki Çalışmalar, Ekin Basım Yayın Dağıtım, 2019, pp.104-114.
11. [11] K. Lacy and W. Alwan, “Skin cancer,” Medicine, vol. 41, no. 7, pp. 402-405, 2013. doi:10.1016/j.mpmed.2013.04.008
12. [12] E. Craythorne and F. Al-Niami, “Skin cancer,” Medicine, vol. 45, no. 7, pp. 431-434, 2017. doi:10.1016/j.mpmed.2017.04.003
13. [13] A. H. Alasadi and B. M. ALsafy, “Early detection and classification of melanoma skin cancer,” Int. Journal of Information Technology and Computer Science, vol. 7, no.12, pp. 67-74, 2017.
14. [14] P. Das, N., Deshmukh, N., Badore, C., Ghulaxe, and P., Patel, “A review article on melanoma,” Journal of Pharmaceutical Sciences and Research, vol. 8, no. 2, pp. 112-117, 2016.
15. [15] F. Alendar, I., Drljević, K., Drljević, and T., Alendar, “Early detection of melanoma skin cancer,” Bosnian Journal of Basic Medical Sciences, vol. 9, no. 1, pp. 77-80, 2009. doi:10.17305/bjbms.2009.2861
16. [16] M. Demirci ve İ. Yabanova, “Model Tabanlı Tasarım Metotları Kullanılarak Gerçek Zamanlı Bir Görüntü İşleme Sisteminin Tasarımı ve Gerçeklemesi,” Politeknik Dergisi, vol. 22, no. 4, pp. 827-838, 2019. doi:10.2339/politeknik.423603
17. [17] Ş. Sağıroğlu ve E. Beşdok, “A Novel Approach for Image Denoising Based on Artificial Neural Networks,” Politeknik Dergisi, vol. 15, no. 2, pp. 71-86, 2012. doi:10.2339/2012.15.2, 71-86
18. [18] A. Kassam, “Segmentation of Skin Cancer by Using Image Processing Techniques,” Master Thesis, Yıldız Technical University Department Of Computer Engineering, İstanbul, 2016.
19. [19] T. Lee, V., Ng, R., Gallagher, A., Coldman, and D., McLean, "Dullrazor: A Software Approach to Hair Removal from Images," Computers in biology and medicine, vol. 27, no. 6, pp. 533-543, 1997. doi:10.1016/S0010-4825(97)00020-6
20. [20] E.C. Celebi, Y., Alp Aslandogan, W. V., Stoecker, H., Iyatomi, H., Oka, and X. Chen,, "Unsupervised Border Detection in Dermoscopy Images," Skin Researchand Technology, vol. 13, no. 4, pp. 454- 462, 2007. doi:10.1111/j.1600-0846.2007.00251.x
21. [21] M.Z. Alom, T. Aspiras, T.M. Taha and V. K. Asari, “Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks,” 2019. doi:10.48550/arXiv.1904.11126
22. [22] M. Toğaçar, Z. Cömert, and B. Ergen, “Intelligent skin cancer detection applying autoencoder, MobileNetV2 and spiking neural networks,” Chaos, Solitons and Fractals, vol. 144, no. 1, pp.110714, 2021. doi:10.1016/J.CHAOS.2021.110714
23. [23] P. P. Tumpa and M. A. Kabir, “An artificial neural network based detection and classification of melanoma skin cancer using hybrid texture features,” Sensors International, vol. 2, no. 1, pp.100128, 2021. doi:10.1016/J.SINTL.2021.100128
24. [24] A.M. Alqudah, H. Alquraan and I.A. Qasmieh, “Segmented and non-segmented skin lesions classification using transfer learning and adaptive moment learning rate technique using pretrained convolutional neural network,” Journal of Biomimetics, Biomaterials and Biomedical Engineering, vol. 42, pp. 67–78, 2019. doi:10.4028/www.scientific.net/JBBBE.42.67
25. [25] T.J. Brinker, A. Hekler, A.H. Enk, C. Berking, S. Haferkamp, A. Hauschild and J.S. Utikal, “Deep neural networks are superior to dermatologists in melanoma image classification,” European Journal of Cancer, vol. 119, pp. 11–17, 2019. doi:10.1016/j.ejca.2019.05.023
26. [26] K.M. Hosny, M.A. Kassem and M.M. Foaud, “Classification of skin lesions using transfer learning and augmentation with AlexNet,” PloS one, vol. 14, no. 5, pp. 217-293, 2019. doi:10.1371/journal.pone.0217293
27. [27] J. Han, J. Pei and Kamber, M. Data Mining: Concepts and Techniques, Elsevier, 2011, pp. 2-10.
28. [28] D. Kilinc, E. Borandag, F. Yucalar, V. Tunali, M. Simsek, and A. Ozcift, “Classification of Scientific Articles Using Text Mining with KNN Algorithm and R Language,” Marmara Journal of Pure and Applied Sciences, vol.3, pp. 89-94, 2016. doi:10.7240/mufbed.69674
29. [29] T. Savaş and S. Savaş, “Tekdüzen Kaynak Bulucu Yoluyla Kimlik Avı Tespiti için Makine Öğrenmesi Algoritmalarının Özellik Tabanlı Performans Karşılaştırması,” Politeknik Dergisi, vol. 25, no. 3, ss. 1261-1270, 2022. doi:10.2339/politeknik.1035286
30. [30] L. Breiman, Random Forest. Machine Learning, Statistics Department-University of Californiavol, vol. 45, pp. 5-32, 2001. doi:10.1023/A:1010933404324
31. [31] D.D. Lewis, “Naive Bayes at forty: The independence assumption in information retrieval,” Proceedings of the Tenth European Conference on Machine Learning, Part of the Lecture Notes in Computer Science book series (LNAI), vol.1398, pp. 4-15, 1998.
32. [32] H.K. Yıldız, M. Gençtav, N. Usta, B. Diri and M. F. Amasyalı, “Metin Sınıflandırmada Yeni Özellik Çıkarımı,” 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, 2007.
33. [33] S. Savaş, “Naive Bayes Sınıflandırıcısı,” Teori ve Uygulamada Makine Öğrenmesi, Nobel Akademik Yayıncılık Eğitim Danışmanlık Tic. Ltd. Şti, ss. 69-92, 2022.
34. [34] C. Yerdelen, “Mevsimlik Kar Erimesinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi,” Sakarya Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, vol. 21, pp. 3-4, 2006.
35. [35] M.H. Calp and U. Kose, “Estimation of burned areas in forest fires using artificial neural networks,” Ingeniería Solidaria, vol. 16, no. 3, pp. 1-22, 2022.
36. [36] M. H. Calp and M. A. Akcayol, “Yazılım projeleri için yapay sinir ağlarına dayalı web tabanlı risk yönetim sisteminin tasarımı ve gerçekleştirilmesi: WEBRISKIT,” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol. 26, no. 5, ss. 993-1014, 2020. doi:10.5505/pajes.2019.29964
37. [37] M.H. Dunham, “Data Mining introductori and advanced topics,” New Jersey: Prentige Hall, 2003.
38. [38] B. Ekici and H. Takcı, “Bilgisayar Ağlarında Anomali Tespiti Yaklaşımı ile Saldırı Tespiti,” Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, vol. 22, no. 5, ss. 1016-1027, 2022. doi:10.35414/akufemubid.1114906
39. [39] M.A. Farooq, A., Khatoon, V., Varkarakis, and P. Corcoran, “Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages 2020,” arXiv preprint arXiv:2003.06356.
40. [40] F. Demir, “Derin öğrenme tabanlı yaklaşımla kötü huylu deri kanserinin dermatoskopik görüntülerden saptanması,” Fırat Üniversitesi Mühendislik Bilimleri Dergisi, vol. 33, no. 2, ss. 617-624, 2021.
41. [41] A. Namozov, D. Ergashev and Y.I. Cho, “Adaptive activation functions for skin lesion classification using deep neural networks,” in Proceedings- 2018 Joint 10th International Conference on Soft Computing and Intelligent Systems and 19th International Symposium on Advanced Intelligent Systems, SCIS-ISIS 2018, ss. 232– 235, 2018. doi:10.1109/SCIS-ISIS.2018.00048
42. [42] B. Harangi, A. Baran and A. Hajdu, “Classification of Skin Lesions Using An Ensemble of Deep Neural Networks,” in Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 2018-July, pp. 2575–2578, 2018. doi:10.1109/EMBC.2018.8512800