Uzun Kısa Dönem Bellek Ağlarını Kullanarak Erken Aşama Diyabet Tahmini

Yıl 2020, Cilt: 2 Sayı: 2, 50 - 57, 26.10.2020

İlyas Özer

https://doi.org/10.46387/bjesr.790225

Cited By: 8

Öz

Diyabet coğrafi ırksal veya etnik bağlamdan bağımsız, günümüzün en büyük sağlık problemlerinden bir tanesidir. Son yıllarda diyabetli insan sayısı müthiş bir artış kaydetmiştir. Diyabet hastalığının geç tespit edilmesi durumunda kişilerde böbrek rahatsızlıkları, kardiyak rahatsızlıklar, görme bozuklukları ve ampütasyon gibi çok ciddi komplikasyonlara neden olabilmektedir. Ayrıca bu durum sağlık sistemi üzerine hatırı sayılır bir ekonomik yük getirmektedir. Öte yandan diyabet, genellikle klinik olarak tespitinden 7-12 yıl öncesine kadar ortaya çıkabilmektedir. Bu çalışmada diyabetin erken dönemde tespiti için uzun kısa dönem bellek (LSTM - Long Short-Term Memory) ağı tabanlı bir yaklaşım önerilmektedir. Önerilen yaklaşım, 520 hastadan elde edilmiş yaş, cinsiyet ve 14 farklı semptom verisi olmak üzere toplam 16 öznitelikten oluşan bir veri kümesi üzerinde 10-kat çapraz doğrulama ile test edilmiştir. LSTM ağları birbirleri arasında zamansal bağımlılığı olan dizi şeklindeki veriler için geliştirilmişlerdir. Bununla birlikte burada kullanılan verilerin zamansal bağımlılığı olmamasına rağmen, veri kümesinin sabit vektörlerinin sıralı bir şekilde işlenmesinin performansı artırdığı görülmektedir. Sonuç olarak aynı veri kümesi üzerinde gerçekleştirilen tahmin çalışmalarına kıyasla F1 skorunda 1.5%’lik bir iyileşme sağlamıştır. 10-kat çapraz doğrulama sonucunda ortalama olarak 98.9%’luk bir F1 skoru elde edilmiştir.

Anahtar Kelimeler

Diyabet, Uzun kısa dönem bellek ağları, makine öğrenmesi

Kaynakça

• [1] Islam, M. F., Ferdousi, R., Rahman, S., & Bushra, H. Y. (2020). Likelihood prediction of diabetes at early stage using data mining techniques. In Computer Vision and Machine Intelligence in Medical Image Analysis (pp. 113-125). Springer, Singapore.
• [2] The 6 Different Types of Diabetes: (5 Mar 2018). The diabetic journey. https://thediabeticjourney.com/the-6-different-types-of-diabetes
• [3] Statistics About Diabetes: American Diabetes Association, 22 Mar 2018. https://www.diabetes.org.
• [4] Diabetes, World Health Organization (WHO): 30 Oct 2018. https://www.who.int/news-room/fact-sheets/detail/diabetes
• [5] Failure to detect type 2 diabetes early costing $700 million per year, Diabetes Australia, 8 July 2018. https://www.diabetesaustralia.com.au
• [6] Harris, M. I., Klein, R., Welborn, T. A., & Knuiman, M. W. (1992). Onset of NIDDM occurs at least 4–7 yr before clinical diagnosis. Diabetes care, 15(7), 815-819.
• [7] C. M. Bishop, Pattern Recognition and Machine Learning Springer-Verlag New York. Inc. Secaucus, NJ, USA. 2006.
• [8] A. L. Samuel, “Some Studies in Machine Learning Using the Game of Checkers,” IBM J. Res. Dev., vol. 3, no. 3, pp. 210–229, Jul. 1959.
• [9] W. S. Lima, E. Souto, K. El-Khatib, R. Jalali, and J. Gama, “Human activity recognition using inertial sensors in a smartphone: An overview,” Sensors (Switzerland), vol. 19, no. 14, 2019.
• [10] G. Zhong, X. Ling, and L. N. Wang, “From shallow feature learning to deep learning: Benefits from the width and depth of deep architectures,” Wiley Interdiscip. Rev. Data Min. Knowl. Discov., vol. 9, no. 1, pp. 1–14, 2019.
• [11] S. Chauhan, L. Vig, M. De Filippo De Grazia, M. Corbetta, S. Ahmad, and M. Zorzi, “A Comparison of Shallow and Deep Learning Methods for Predicting Cognitive Performance of Stroke Patients From MRI Lesion Images,” Front. Neuroinform., vol. 13, no. July, pp. 1–12, 2019.
• [12] T. Hastie, R. Tibshirani, and J. Friedman, The elements of statistical learning: data mining, inference, and prediction. 2009.
• [13] Joshi, T. N., & Chawan, P. P. M. (2018). Diabetes Prediction Using Machine Learning Techniques. Ijera, 8(1), 9-13.
• [14] Sapon, M. A., Ismail, K., & Zainudin, S. (2011, May). Prediction of diabetes by using artificial neural network. In Proceedings of the 2011 International Conference on Circuits, System and Simulation, Singapore (Vol. 2829, p. 299303).
• [15] Ahmed, T. M. (2016). Developing a predicted model for diabetes type 2 treatment plans by using data mining. Journal of Theoretical and Applied Information Technology, 90(2), 181.
• [16] Ozer, I., Ozer, Z., & Findik, O. (2018). Noise robust sound event classification with convolutional neural network. Neurocomputing, 272, 505-512.
• [17] Ozer, Z., Ozer, I., & Findik, O. (2018). Diacritic restoration of Turkish tweets with word2vec. Engineering Science and Technology, an International Journal, 21(6), 1120-1127.
• [18] Ozer, I., Ozer, Z., & Findik, O. (2017). Lanczos kernel based spectrogram image features for sound classification. Procedia computer science, 111, 137-144.
• [19] YEŞİL, A., ÇELİK, U., & TEMURTAŞ, F. Yapay Sinir Ağları Yöntemi ile İkinci Kuşak Akım Taşıyıcının Performans Parametrelerinin Tahmin Edilmesi. Mühendislik Bilimleri ve Araştırmaları Dergisi, 1(1), 13-23.
• [20] Toptaş, B., & Hanbay, D. Renksel ve Dokusal Özellikler Kullanarak Alev ve Alev Olmayan Görüntü Kesitlerinin Sınıflandırılması. Mühendislik Bilimleri ve Araştırmaları Dergisi, 1(1), 1-12.
• [21] Ozer, Z., “Trafik yorumlarının sınıflandırılmasında normalizasyonun etkisi”, Doktora Tezi, Karabük Üniversitesi Fen Bilimleri Enstitüsü, Karabük, 2019
• [22] Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.