Hidrosefali Hastalığının Sınıflandırılması ve İlişkili Faktörlerin Makine Öğrenmesi Yöntemleri ile Belirlenmesi

Authors : Zeynep TUNÇ, Cemil ÇOLAK, Ramazan ÖZDEMİR

Pages : 14-20

View : 10 | Download : 3

Publication Date : 2018-10-01

Article Type : Research Paper

Abstract :Bu araştırmanın birinci amacı çeşitli çekirdek fonksiyonlarıyla oluşturulan destek vektör makineleri DVM yardımıyla ve farklı dallanma kriterleriyle oluşturulan Random Forest RF yöntemleriyle hidrosefaliye sahip olan ve olmayan hasta bebekleri sınıflandırmaktır. Bu çalışmada incelenen veriler, İnönü Üniversitesi Turgut Özal Tıp Merkezi Pediatri Anabilim Dalı veri tabanından geriye yönelik retrospektif olarak seçilmiştir. Çalışmada yer alan veriler hidrosefalisi olan ve olmayan bebekleri ve bu bebeklere ilişkin diğer özellikleri içermektedir. Hidrosefalinin sınıflandırılması işlemi için DVM ve RF modelleri kullanılmıştır. Performans değerlendirmesinde doğruluk, sınıflama hatası, kappa istatistiği, ROC eğrisi altında kalan alan AUC , f ölçümü, duyarlılık, seçicilik ve Youden indeksi ölçütleri kullanılmıştır. DVM modellerinden en iyi sınıflandırma performansını gösteren ANOVA çekirdeğine ilişkin performans ölçütlerine ait değerler %95 güven aralığında sırasıyla; doğruluk için %72.14±8.99, sınıflama hatası için %27.86±8.99, kappa istatistiği için 0.424±0.209, AUC için 0.748±0.120, f ölçümü için %75.78±6.97, duyarlılık için %71.45±8.27, seçicilik için %73.00±22.13, Youden indeksi için 0.444±0.221 olarak elde edilmiştir. RF modellerinden en iyi sınıflandırma performansını gösteren Gini İndeksi ile oluşturulan modele ilişkin performans ölçütlerine ait değerler sırasıyla; doğruluk için %77.47±9.51, sınıflama hatası için %22.53±9.51, kappa istatistiği için 0.554±0.193, AUC için 0.799±0.100, f ölçümü için %78.89±9.43, duyarlılık için %71.90±15.10, seçicilik için %87.00±19.23, Youden indeksi için 0.589±0.197 olarak elde edilmiştir. Hidrosefaliyi sınıflandırmada en iyi performansı RF modeli vermiştir. İlerleyen çalışmalarda, hidrosefalinin sınıflandırma performansını arttırmak için gelişmiş makine öğrenmesi yöntemleri kullanılacaktır
Keywords : Destek Vektör Makinesi, Random Forest, Hidrosefali, Makine Öğrenmesi