CLASSIFICATION OF ANEMIA DISEASE USING ARTIFICIAL NEURAL NETWORKS METHODS

Abstract

Anemia, which occurs when the hemoglobin value falls below a certain reference range and is also called anemia, needs many blood tests, radiological images and analyzes for its diagnosis and treatment. In addition to such a large amount of produced medical data, a doctor's decision is required in diagnosing the disease. By processing the medical data taken from the patients, predictions of diseases can be made for new patients and decision support mechanisms can be established for doctors with these predictions. Thanks to these methods, which are very important in reducing the margin of error in the diagnosis of doctors for patients, the evaluation of data records in health institutions is also important for patients and hospitals. Various methods have been used for the classification problem of anemia disease in the literature, and the performance of the proposed algorithms varies according to the datasets due to the changes in the number of patient records in the datasets, the number and characteristics of the blood parameters. In this study, Artificial Neural Networks (ANN) methods were used to solve the anemia disease classification problem based on blood data on the anemia dataset taken from the Kaggle database. Performance rates were calculated using the Learning Vector Quantization (LVQ), Competitive Layer Neural Network (CLNN), Pattern Recognition Artificial Neural Network (PRNN), Self-Organizing Map (SOM) methods. The four proposed methods were compared by giving the accuracy values and confusion matrix values of the obtained results. It was concluded that the best success performance was PRNN with 100% sensitivity and 99.88% accuracy, 99.86% specificity, 99.43% precision, followed by LVQ.

Keywords

• Anemia classification
• learning vector quantization
• competitive layer neural network
• pattern recognition artificial neural network
• self-organizing map

ANEMİ HASTALIĞININ YAPAY SİNİR AĞLARI YÖNTEMLERİ KULLANILARAK SINIFLANDIRILMASI

Abstract

Hemoglobin değerinin belirli bir referans aralığının altına düşmesiyle ortaya çıkan ve aynı zamanda kansızlık olarak adlandırılan anemi, teşhis ve tedavisi için birçok kan testine, radyolojik görüntülere, tahlillere ihtiyaç duyar. Bu gibi çok fazla üretilen tıbbi verilerin yanında hastalık teşhisinin konulmasında doktor kararı gereklidir. Hastalardan alınan tıbbi veriler işlenerek yeni hasta bireyler için hastalıkların tahminleri yapılabilir ve bu tahminlerle doktorlar için karar destek mekanizmaları kurulabilmektedir. Doktorların hastalar için koyacağı teşhisteki yanılma payını azaltma konusunda oldukça önemli olan bu yöntemler sayesinde sağlık kurumlarındaki veri kayıtlarının değerlendirilmesi hasta ve hastaneler için de önem arz etmektedir. Literatürde anemi hastalığı sınıflandırma problemi için çeşitli yöntemler kullanılmış olup, veri setlerindeki hasta kayıt sayılarının değişiklik göstermesi, kan parametrelerin sayısının ve özelliklerinin farklı olması gibi durumlardan dolayı önerilen algoritmaların performansları veri setlerine göre değişiklik göstermektedir. Bu çalışmada Kaggle veri tabanından alınan anemi veri seti üzerinde kandaki verilere dayalı olarak anemi hastalığı sınıflandırması problemini çözmek amacıyla Yapay Sinir Ağları (YSA) yöntemleri kullanılmıştır. Öğrenmeli Vektör Kuantalama (LVQ), Rekabetçi Katman Sinir Ağı (CLNN), Örüntü Tanıma Yapay Sinir Ağı (PRNN), Kendiliğinden Organize Olan Harita (SOM) yapay sinir ağı yöntemleri kullanılarak başarım oranları hesaplanmıştır. Elde edilen sonuçların doğruluk değerleri ve karışıklık matrisleri verilerek önerilen dört yöntem karşılaştırılmıştır. En iyi başarı performansı %100 hassasiyet ve %99,88 doğruluk, %99,86 özgüllük, %99,43 kesinlik ile PRNN olduğu, onu takiben LVQ olduğu sonucuna ulaşılmıştır.

Keywords

• Anemi sınıflandırma
• öğrenmeli vektör kuantalama
• rekabetçi katman sinir ağı
• örüntü tanıma yapay sinir ağı
• kendiliğinden organize olan harita

References

1. Baldi, A., Pasricha, S. R.. (2022). Anaemia: Worldwide Prevalence and Progress in Reduction, Nutritional Anemia. Springer International Publishing, 3-17.
2. World Health Organization (WHO), https://www.who.int/healthtopics/anaemia#tab=tab_1
3. Yılmaz, Z., Bozkurt, M. R. (2012). Determination of women iron deficiency anemia using neural networks. Journal of medical systems, 36, 2941-2945.
4. Vijiyarani, S., Sudha, S. (2013). Disease prediction in data mining technique–a survey. International Journal of Computer Applications & Information Technology, 2(1), 17-21.
5. Dörterler, S. (2023). Kanser Hastalığı Teşhisinde Ölüm Oyunu Optimizasyon Algoritmasının Etkisi. Mühendislik Alanında Uluslararası Araştırmalar VIII, 15.
6. Danacı, M., Çelik, M., Akkaya, A. E. (2010). Veri madenciliği yöntemleri kullanılarak meme kanseri hücrelerinin tahmin ve teşhisi. Akıllı Sistemlerde Yenilikler ve Uygulama Sempozyumu, 21(24), 9-12.
7. Taşçı, M. E., Şamlı, R. (2020). Veri madenciliği ile kalp hastalığı teşhisi. Avrupa Bilim ve Teknoloji Dergisi, 88-95.
8. Başer, B. Ö., Yangın, M., Sarıdaş, E. S. (2021). Makine öğrenmesi teknikleriyle diyabet hastalığının sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120.

9. Akgül, G., Çelik, A. A., Aydın, Z. E., Öztürk, Z. K. (2020). Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı. Bilişim Teknolojileri Dergisi, 13(3), 255-268.
10. Yeh, W. C., Chang, W. W., Chung, Y. Y. (2009). A new hybrid approach for mining breast cancer pattern using discrete particle swarm optimization and statistical method. Expert Systems with Applications, 36(4), 8204-8211.
11. Devi, R. D. H., Bai, A., Nagarajan, N. (2020). A novel hybrid approach for diagnosing diabetes mellitus using farthest first and support vector machine algorithms. Obesity Medicine, 17, 100152.
12. Dörterler, S. (2022). Hybridization of k-means and meta-heuristics algorithms for heart disease diagnosis. NEW TRENDS IN ENGINEERING AND APPLIED NATURAL SCIENCES, 55.
13. Dörterler, S., Dumlu, H., Özdemir, D., & Temurtaş, H. (2022). Melezlenmiş K-means ve Diferansiyel Gelişim Algoritmaları ile Kalp Hastalığının Teşhisi. In International Conference on Engineering and Applied Natural Sciences, 1840-1844.
14. Kilicarslan, S., Celik, M., Sahin, Ş. (2021). Hybrid models based on genetic algorithm and deep learning algorithms for nutritional Anemia disease classification. Biomedical Signal Processing and Control, 63, 102231.
15. Ergezer, H., Dikmen, M., Özdemir, E. (2003). Yapay sinir ağları ve tanıma sistemleri. PiVOLKA, 2(6), 14-17.
16. Uğur, A., Kınacı, A. C. (2006). Yapay zeka teknikleri ve yapay sinir ağları kullanılarak web sayfalarının sınıflandırılması. XI. Türkiye'de İnternet Konferansı (inet-tr'06), Ankara, 1(4).
17. Akgündoğdu, A. (2003). Bulanık-yapay sinir ağları ile biyomedikal görüntü işlenmesi, Yüksek Lisans Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
18. Gil, D., Johnsson, M., Chamizo, JMG, Paya, AS, Fernandez, DR. (2009). Yapay sinir ağlarının ürolojik fonksiyon bozukluklarının teşhisinde uygulanması. Uygulamalı uzman sistemler, 36 (3), 5754-5760.
19. Gönül, Y., Ulu, Ş., Bucak, A., Bilir, A. (2015). Yapay sinir ağları ve klinik araştırmalarda kullanımı. Genel Tip Dergisi, 25(3).
20. Wongseree, W., Chaiyaratana, N., Vichittumaros, K., Winichagoon, P., Fucharoen, S. (2007). Thalassaemia classification by neural networks and genetic programming. Information Sciences, 177(3), 771-786.
21. Jaiswal, M., Srivastava, A., Siddiqui, T. J. (2019). Machine learning algorithms for anemia disease prediction. Recent Trends in Communication, Computing, and Electronics: Select Proceedings of IC3E 2018, Springer Singapore, 463-469.
22. Khan, J. R., Chowdhury, S., Islam, H., Raheem, E. (2021). Machine learning algorithms to predict the childhood anemia in Bangladesh. Journal of Data Science, 17(1), 195-218.
23. El-kenawy, E. S. M. T. (2019). A Machine Learning Model for Hemoglobin Estimation and Anemia Classification. International Journal of Computer Science and Information Security (IJCSIS), 17(2), 100-108.
24. Çil B., Ayyıldız H., Tuncer T. (2020). Discrimination of β-thalassemia and iron deficiency anemia through e treme learning machine and regularized e treme learning machine-based decision support system. Medical Hypotheses, 138, 1- 6, DOI: https://doi.org/10.1016/j.mehy.2020.109611.
25. Azarkhish, I., Raoufy, M. R., & Gharibzadeh, S. (2012). Artificial intelligence models for predicting iron deficiency anemia and iron serum level based on accessible laboratory data. Journal of medical systems, 36, 2057-2061.
26. Çarkli Yavuz, B., Karagül Yildiz, T., Yurtay, N., Pamuk, Z. (2014). Comparison Of K Nearest Neighbours And Regression Tree Classifiers Used With Clonal Selection Algorithm to Diagnose Haematological Diseases. AJIT-e: Online Academic Journal of Information Technology, 5(16).
27. İlaslaner, T., Güven, A. (2019). Demir Eksikliği Anemisinde Biyokimya Değerlerinin Etkisinin İncelenmesi. Tıp Teknolojileri Kongresi.
28. Karagül Yıldız, T. (2021). Hematolojik hastalıkların teşhisinde yapay zeka tekniklerinin performans karşılaştırması, Doktora Tezi, Sakarya Üniversitesi, Fen Bilimleri Ensitütüsü, (2021).
29. Ghosh, A., Mukherjee, J., Chakravorty, N. (2023). A Low-Cost Test for Anemia Using an Artificial Neural Network. Computer Methods and Programs in Biomedicine, 229, 107251.
30. Dixit, A., Jha, R., Mishra, R., & Vhatkar, S. (2023). Prediction of Anemia Disease Using Machine Learning Algorithms. In Intelligent Computing and Networking: Proceedings of IC-ICN 2022, Singapore: Springer Nature Singapore, 229-238.
31. Appiahene, P., Asare, J. W., Donkoh, E. T., Dimauro, G., & Maglietta, R. (2023). Detection of iron deficiency anemia by medical images: a comparative study of machine learning algorithms. BioData Mining, 16(1), 1-20.
32. Behnke, S., Karayiannis, N. B. (1988). Competitive neural trees for pattern classification. IEEE Transactions on Neural Networks, 9(6), 1352-1369.
33. Sowmya, B., & Rani, B. S. (2011). Colour image segmentation using fuzzy clustering techniques and competitive neural network. Applied Soft Computing, 11(3), 3170-3178.
34. Kohonen, T. (2012). Self-organization and associative memory. Springer Science & Business Media.
35. Turias, I. J., Gonzalez, F. J., Martín, M. L., Galindo, P. L. (2006). A competitive neural network approach for meteorological situation clustering. Atmospheric Environment, 40(3), 532-541.
36. Kalan, O. (2009). Lejyoner hastalığının istatistiksel risk analizi, Yüksek Lisans Tezi.
37. Al-Allaf, O. N. A., AbdAlKader, S. A., Tamimi, A. A. (2013). Pattern recognition neural network for improving the performance of iris recognition system. Int'l Journal of Scientific & Engineering Research, 4(6), 661-667.
38. Çetin, O., & Temurtaş, F. (2018). Öğrenmeli Vektör Kuantalama ile Beyin Bilgisayar Arayüzü Üzerine Bir Çalışma. Sakarya University Journal of Computer and Information Sciences, 1(2), 1-7.
39. Er, O., Yumusak, N., Temurtas, F. (2010). Chest diseases diagnosis using artificial neural networks. Expert Systems with Applications, 37(12), 7648-7655.
40. Obuchowski, N. A. (2005). ROC analysis. American Journal of Roentgenology, 184(2), 364-372.
41. Slaby, A. (2007). ROC analysis with Matlab. 2007 29th International Conference on Information Technology Interfaces, 191-196.
42. Matlab, S. (2012). Matlab. The MathWorks, Natick, MA.