Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi

Year 2021, Volume: 33 Issue: 2, 367 - 377, 15.09.2021

Emre Saygın , Muhammet Baykara

https://doi.org/10.35234/fumbd.832264

Cited By: 6

Abstract

Karaciğer, vücudumuzda pek çok fizyolojik ve metabolik süreçte hayati görevler üstlenir. Karaciğer eksikliği ya da karaciğerin işlevsel bozuklukları sağlık sorunlarına ve nihayetinde hastalıklara yol açmaktadır. Karaciğer hastalıklarının erken dönemde teşhisi, gereksiz ilaç kullanımını azaltarak hem tedavi süresinin kısaltılmasında hem de karaciğer tahribatının engellenmesinde etkili olabilmektedir. Gelişen teknoloji ile beraber tıp dünyasında makine öğrenmesi yöntemleri hastalıkların teşhisinde büyük bir başarı sağlamaktadır. Bu çalışmada, karaciğer hastalıklarının erken teşhis edilmesinde kullanılması için sarmal (wrapper) özellik seçimi yöntemlerinden İleri Yönde Seçim (SFS) ile veri setinde bulunan en önemli öz nitelikler belirlenmiştir. Belirlenen önemli öz nitelikler üzerinde makine öğrenmesi yöntemleri uygulanarak karaciğer yetmezliği hastalığı teşhis başarıları ölçülmüştür. Makine öğrenmesi yöntemlerinde model iyileştirilmesi yapılarak hastalık teşhis başarıları arttırılmıştır. Elde edilen sonuçlar literatürde bu veri seti ile yapılan diğer çalışmalar ile karşılaştırılmıştır. Indian Liver Patient Dataset (ILPD) üzerinde karaciğer yetmezliği hastalığının tahmini için; Destek Vektör Makinası (SVM), Çok Katmanlı Algılayıcı (MLP), Karar Ağaçları (DT), Lojistik Regresyon (LR) ve Hafif Gradyan Güçlendirme Makinesi Sınıflandırıcısı (LGBM) yöntemleri kullanılmıştır. Kullanılan yöntemlerde en yüksek teşhis başarısı sırasıyla; LGBM %82.12, MLP %81.13, DT %81.13, SVM %77.87 ve LR %77.80 olarak elde edilmiştir. Sonuçlar literatürdeki çalışmalarla kıyas edildiğinde tatmin edici olarak değerlendirilmiştir. Elde edilen modellerin karaciğer hastalığının erken teşhisinde hekimlere destek olabileceği düşünülmektedir.

Keywords

makine öğrenmesi, karaciğer yetmezliği teşhisi, sınıflandırma, ILPD

References

• Ersoy O.” Karaciğer Enzim Yüksekliğinin Değerlendirilmesi”. Ankara Medical Journal 2012; 12 (3): 129-135.
• Mamdouh E. ve Mabrouk M. “A Study of Support Vector Machine Algorithm For Liver Disease Diagnosis”, American Journal of Intelligent Systems; 2014; 4 (1): 9-14.
• Gulia A. Vohra R. Rani P. “Liver Patient Classification Using Intelligent Techniques”, International Journal of Computer Science and Information Technologies); 2014; 5 (4): 5110-5115.
• Alkuşak E. ve Gök M., 2015. “Karaciğer Yetmezliğinin Teşhisinde Makine Öğrenmesi Algoritmalarının Kullanımı”, ISITES 2014 Sempozyumu (ISITES’2014); 18-20 Haziran 2014; Karabük. 703-707.
• Priya M.B. Juliet P. L. Tamilselvi P.R.“ Performance Analysis of Liver Disease Prediction Using Machine Learning Algorithms”, International Research Journal of Engineering and Technology (IRJET); Ocak 2018; 206-211.
• Auxilia L.A. “Accuracy Prediction using Machine Learning Techniques for Indian Patient Liver Disease”, 2nd International Conference on Trends in Electronics and Informatics (ICOEI); 11-12 Mayıs 2018; Tirunelveli, India. 45-50.
• Bendi R.V. Boddu R.S.K. “ Performance Comparison of Classification Algorithms on Medical Datasets”, 9th Annual Computing and Communication Workshop and Conference (CCWC); 7-9 Ocak 2019; USA. No:2322.
• Singh J. Bagga S. Kaur R. “Software-based Prediction of Liver Disease with Feature Selection and Classification Techniques”. International Conference on Computational Intelligence and Data Science (ICCIDS 2019); 6 -7 Eylül 2019; Gurugram. 1970-1980.
• Jacob J. Mathew J. C. Mathew J. Issac E.“ Diagnosis of Liver Disease Using Machine Learning Techniques”, International Research Journal of Engineering and Technology (IRJET); 4 Nisan 2018; 5(4): 4011-4014.
• Keleş A. Kaslı Ö.B. Keleş A. “Makine Öğrenme Algoritmaları ile Karaciğer Hastalığının Teşhisi”, Turkish Studies-Information Technologies and Applied Sciences; 2020; 75-83.
• https://archive.ics.uci.edu/ml/datasets/ILPD+(Indian+Liver+Patient+Dataset).
• Selvi O. ”Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması”, Avrupa Bilim ve Teknoloji Dergisi; 2019; (16): 176-185.
• Özdemir E. Ballı S. “Türkiye Erkekler Basketbol Ligi Maç Sonuçlarının Makine Öğrenmesi Yöntemleri ile Tahmini”, Mühendislik Bilimleri ve Tasarım Dergisi, 2020; 8 (3): 740 - 752.
• Kaya Ç. Yıldız O. “Makine Öğrenmesi Teknikleriyle Saldırı Tespiti: Karşılaştırmalı Analizi”, Marmara Fen Bilimleri Dergisi, 2014; (3): 89-104.
• Omar A. B. K. “XGBoost and LGBM for Porto Seguro’s Kaggle challenge: A comparison”, Distributed Computing Group Computer Engineering and Networks Laboratory ETH Zurich , Semester Project. 2018
• Kayaalp T.G. Güney Ç. M. Cebeci Z. “Çoklu Doğrusal Regresyon Modelinde Değişken Seçiminin Zootekniye Uygulanışı”, Çukurova Üniversitesi Ziraat Fakültesi Dergisi. 2015; 30 (1): 1-8