Yenidoğan kuzularda bilgisayar destekli tanı

Yıl 2020, Cilt: 26 Sayı: 2, 385 - 391, 07.04.2020

Pınar Cihan Oya Kalıpsız Erhan Gökçe

Öz

Ülkemizde küçükbaş hayvan sayısı her geçen gün çeşitli sebeplerden dolayı azalmaktadır. Küçükbaş hayvan sayısının azalmasına paralel olarak, hayvansal üretimde de önemli azalmalar görülmektedir. Küçükbaş hayvan sayısının azalmasını önlemenin bir yolu da hastalıklarla ilgili tahmin ve analizlerin başarılı bir şekilde yapılabilmesidir. Makine öğrenmesi ile yapılan bilgisayar destekli tanı çalışmaları sayesinde, sağlık hizmetlerinin kalitesi artarken sağlık sektöründeki maliyetler azalmaktadır. Bu çalışmanın amacı makine öğrenmesi yöntemleri ile kuzularda erken hastalık teşhisi yapmaktır. Bunun için çalışmada karar ağaçları, saf bayes, k-en yakın komşu, yapay sinir ağları ve rassal orman yöntemleri kullanılmıştır. Bu sınıflandırma yöntemlerinin performansları doğruluk, dengeli doğruluk, seçicilik, duyarlılık, F-ölçütü, kappa ve ROC eğrisi altında kalan alan (AUC) ölçütleri ile analiz edilmiştir. Çalışma sonucunda bilgisayar destekli tanı için Saf bayes yöntemi diğer yöntemlerden daha başarılı sonuçlar üretmiştir. Basit ve uygulaması kolay olan Saf bayes yöntemin diğer karmaşık yöntemlerden daha başarılı sonuçlar elde etmesi oldukça önemlidir.

Anahtar Kelimeler

Bilgisayar destekli tanı, Sınıflandırma, Saf bayes, Küçükbaş hayvan

Computer-aided diagnosis in neonatal lambs

Öz

In our country, the number of small ruminant animals is decreasing day by day due to various reasons. In parallel with the decrease in the number of small ruminants, significant decreases are seen in animal production. One way to prevent the reduction in the number of small ruminants is to be able to make successful predictions and analysis related to the diagnosis. Thanks to computer-aided diagnostic studies performed with machine learning, the quality of health services increases while the costs of the health sector decrease. The aim of this study is to perform computer aided diagnosis in neonatal lambs using machine learning methods. Hence in study, decision tree, naive bayes, k-nearest neighbors, artificial neural networks and random forest methods were used. The performances of these classification methods were analyzed with accuracy, balanced accuracy, specifity, recall, F-measure, kappa and area under the ROC curve (AUC) criteria. As a result of the study, the Naive bayes method more successful results than other methods for computer aided diagnosis produced. It is very important that, the Naive bayes method is simple and easy to apply, achieves more successful results than other complex methods.

Anahtar Kelimeler

Computer-aided diagnosis, Classification, Naive bayes, Small ruminant animal

Kaynakça

• Esfandiari N, Babavalian MR, Moghadam A-ME, Tabar VK. “Knowledge discovery in medicine: Current issue and future trend”. Expert Systems with Applications, 41(9), 4434-4463, 2014.
• Bennett TD, Callahan TJ, Feinstein JA, Ghosh D, Lakhani SA, Spaeder MC, Kahn MG. “Data science for child health”. The Journal of Pediatrics”, 208,12-22, 2019.
• Miller DD, Brown EW. “Artificial intelligence in medical practice: the question to the answer?”. The American Journal of Medicine, 131(2), 129-133, 2018.
• Gülten A, Doğan Ş. “Genetik algoritmalar yönteminin biyomedikal verileri üzerindeki uygulamaları”. Doğu Anadolu Araştırma ve Uygulama Merkezi Dergisi, 7(1), 12-16, 2009.
• Haupt RL, Haupt SE. Practical Genetic Algorithms. 2nd ed. New York, USA, Wiley, 2004.
• Han J, Pei J, Kamber M. Data Mining: Concepts and Techniques. 3rd ed. Amsterdam, Elsevier, 2011.
• Tan PN. Introduction to Data Mining. India, Pearson Education, 2006.
• Cihan P, Gökçe E, Kalıpsız O. “A review of machine learning applications in veterinary field”. Kafkas University Veterinary Faculty Journal. 23(4), 673-680, 2017.
• Zarchi HA, Jonsson R, Blanke M. “Improving oestrus detection in dairy cows by combining statistical detection with fuzzy logic classification”. Proceedings Workshop on Advanced Control and Diagnosis, Zielona Gora, PL, 1-20 November 2009.
• Memmedova N, Keskin İ. “Oestrus detection by fuzzy logic model using trait activity in cows”. Kafkas University Veterinary Faculty Journal, 17(6), 1003-1008, 2011.
• Brown-Brandl T, Jones DD, Woldt W. “Evaluating modelling techniques for cattle heat stress prediction”. Biosystems Engineering, 91(4), 513-524, 2005.
• Dórea JRR, Rosa GJM, Weld KA, Armentano LE. “Mining data from milk infrared spectroscopy to improve feed intake predictions in lactating dairy cows”. Journal of Dairy Science, 101(7), 5878-5889, 2018.
• A, Atıl H, Kesenkaş H. “Çiğ süt kalite değerlendirmesinde bulanık mantık yaklaşımı”. Kafkas Universitesi Veteriner Fakultesi Dergisi, 20(2), 223-229, 2014.
• Mehraban Sangatash M, Mohebbi M, Shahidi F, Vahidian Kamyad A, Qhods Rohani M. “Application of fuzzy logic to classify raw milk based on qualitative properties”. International journal of AgriScience, 2(12), 1168-1178, 2012.
• Akıllı A, Atıl H, Kesenkaş H. “Çiğ süt kalite değerlendirmesinde bulanık mantık yaklaşımı”. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 20(2), 223-229, 2014.
• Küçükönder H, Üçkardeş F, Narinç D. “Hayvancılık alanında bir veri madenciliği uygulaması: Japon bıldırcını yumurtalarında döllülüğe etki eden bazı faktörlerin belirlenmesi”. Kafkas Universitesi Veteriner Fakultesi Dergisi, 20(6), 903-908.
• Kılıç İ, Özbeyaz C. “Bulanık kümeleme analizinin koyun yetiştiriciliğinde kullanımı ve bir uygulama”. Kocatepe Veteriner Dergisi, 3(2), 31-37, 2010.
• Lyytikäinen T, Kallio E. “Risk classification of Finnish pig farms by Simulated FMD Spread”. In Proc. Society of Veterinary Epidemiology and Preventive Medicine annual meeting, Liverpool, UK, 25-28 March 2008.
• Awaysheh A, Wilcke J, Elvinger F, Rees L, Fan W, Zimmerman KL. “Evaluation of supervised machine-learning algorithms to distinguish between inflammatory bowel disease and alimentary lymphoma in cats”. Journal of Veterinary Diagnostic Investigation, 28(6), 679-687, 2016.
• Dobbin KK, Simon RM. “Optimally splitting cases for training and testing high dimensional classifiers”. BMC Medical Genomics, 4(31), 2-8, 2011.
• Dietterich TG. “Approximate statistical tests for comparing supervised classification learning algorithms”. Neural Computation, 10(7), 1895-1923, 1998.
• Team RC. “R: A Language and environment for statistical computing”. R Foundation for Statistical Computing, Vienna, Austria, 2013.
• Safavian SR, Landgrebe D. “A survey of decision tree classifier methodology”. IEEE Transactions on Systems, Man, and Cybernetics, 21(3), 660-674, 1991.
• Aydoğan Ü. Destek Vektör Makinalarında Kullanılan Çekirdek Fonksiyonların Sınıflama Performanslarının Karşılaştırılması. Yüksek Lisans Tezi, Hacettepe Üniversitesi, Ankara, Türkiye, 2010.
• Xiang S, Nie F, Zhang C. “Learning a Mahalanobis distance metric for data clustering and classification”. Pattern Recognition, 41(12), 3600-3612, 2008.
• Wang H. “Nearest neighbors by neighborhood counting”. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(6), 942-953, 2006.
• Garcia V, Debreuve E, Barlaud M. “Fast k nearest neighbor search using GPU”. IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, Anchorage, Alaska, USA, 23-28 Jun 2008.
• Kolahdouzan MR, Shahabi C. “Continuous k-nearest neighbor queries in spatial network databases”. Spatio-Temporal Database Management, 2nd International Workshop STDBM'04, Toronto, Canada, 30 August 2004.
• Alpaydin E. Introduction to Machine Learning, 2nd ed. Cambridge, Massachusetts, London, England, MIT Press, 2010.
• Breiman L. “Random forests”. Machine Learning, 45(1), 5-32, 2001.
• Cihan P. Determination of diagnosis, prognosis and risk factors in animal diseases using by data mining methods. PhD Thesis, Yildiz Technical University, Istanbul, Turkey, 2018.
• Brodersen KH, Ong CS, Stephan KE, Buhmann JM. “The balanced accuracy and its posterior distribution”. Pattern recognition (ICPR), 3121-3124. IEEE, 2010.
• DeLong ER, DeLong DM, Clarke-Pearson DL. “Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach”. Biometrics, 44(3), 837-845, 1988.
• Gökçe E, Erdoğan HM. “An epidemiological study on neonatal lamb health”. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 15(2), 225-236, 2009.
• Gökçe E, Kırmızıgül AH, Erdoğan HM, Citil M. “Risk factors associated with passive immunity, health, birth weight and growth performance in lambs: I. effect of parity, dam’s health, birth weight, gender, type of birth and lambing season on morbidity and Mortality”. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 19(Suppl-A), A153-A160, 2013.
• Cihan P, Kalıpsız O, Gökçe E. “Hayvan hastalığı teşhisinde normalizasyon tekniklerinin yapay sinir ağı ve özellik seçim performansına etkisi”. Electronic Turkish Studies, 12(11), 2017.
• Brewster LR, Dale JJ, Guttridge TL, Gruber SH, Hansell AC, Elliott M, Gleiss AC. “Development and application of a machine learning algorithm for classification of elasmobranch behaviour from accelerometry data”. Marine Biology, 165(4), 62, 2018.
• Fleiss JL, Levin B, Paik MC. Statistical Methods for Rates and Proportions. 3rd ed. New York, USA, John Wiley & Sons, 2013.