Otizm Spektrum Bozukluğu Tanısında Öznitelik Seçimi Yoluyla Farklı Sınıflandırıcıların Karşılaştırılması

Yıl 2025, Cilt: 37 Sayı: 1, 61 - 74, 27.03.2025

Sinem Koç , Onur Sevli

https://doi.org/10.35234/fumbd.1501652

Öz

Otizm Spektrum Bozukluğu (OSB), sosyal etkileşim ve iletişimde zorluklar, tekrarlayıcı işlemler ve duygusal sorunlar gibi belirgin bir dağılıma sahip karmaşık bir nörogelişimsel durumdur. Bireylerin sosyal etkileşimi, iletişimin gelişmesi ve belirli davranış kalıpları üzerindeki zorluklarla birlikte kendini gösterir. Otizmin genellikle erken çocukluk döneminde başladığı ve bu dönemde belirginlik kazandığı gözlemlenmektedir. Otizmde erken teşhis önemlidir; çünkü erken tanı ile tedavinin erken başlaması mümkündür. OSB sorununun teşhisi için geleneksel yöntemlere ek olarak, günümüzde istikrarlı çıkarımları ile farklı pek çok alanda uygulamaları olan makine öğrenmesi yöntemleri teşhis başarısını arttırmak amacıyla kullanılmaktadır. Yöntemler, büyük veri setlerini analiz ederek otizm belirtilerini hızla tanımlamak, erken ve doğru teşhis sağlamak amacıyla bu çalışmada 17 girdi ve 1 hedef olmak üzere toplam 18 öznitelik değişkenden oluşan bir veri seti üzerinde öznitelik seçimi yöntemi ve sınıf dengeleme yöntemleri uygulanarak ardından dört farklı makine öğrenmesi algoritması (K-En Yakın Komşu, Lojistik Regresyon, Naive Bayes, Destek Vektör Makineleri) ile sınıflandırma işlemleri gerçekleştirilmiştir. Sınıflandırma performansı doğruluk, duyarlılık, özgüllük ve F1 skoru gibi metriklerle değerlendirilmiştir. Öznitelik seçimi sonrası, Destek Vektör Makineleri ve Lojistik Regresyon algoritmaları ile %100 doğruluk oranı elde edilirken, K-En Yakın Komşu ve Naive Bayes algoritmaları sırasıyla %94,7 ve %96,7 doğruluk sağlamıştır. Öznitelik seçimi yapılmadığında ise en yüksek doğruluk oranı %96,2 olarak kaydedilmiştir. Sonuçlar, öznitelik seçiminin makine öğrenmesi algoritmalarının sınıflandırma performansını belirgin bir şekilde artırdığını göstermektedir. Bu sonuçlar doğrultusunda OSB tanısında makine öğrenmesi yöntemlerinin uygulanabilirliğini ve doğruluğunu ortaya koymakta olup, teşhis sürecini iyileştirmek adına önemli bir katkı sağlamaktadır.

Anahtar Kelimeler

Makine Öğrenmesi, Otizm Spektrum Bozukluğu, Otizm Teşhisi, Öznitelik Seçimi

Comparison of Different Classifiers Through Feature Selection in The Diagnosis of Autism Spectrum Disorder

Öz

Autism Spectrum Disorder (ASD) is a complex neurodevelopmental condition with a marked distribution of difficulties in social interaction and communication, repetitive processing and emotional problems. It is manifested by difficulties with individuals’ social interaction, the development of communication and difficulties with certain patterns of behavior. It is observed that autism usually starts in early childhood and gains prominence in this period. Early diagnosis is important in autism because early diagnosis allows treatment to start early. In addition to traditional methods for diagnosing ASD, machine learning methods, which have applications in many different fields with their stable inferences, are now used to increase diagnostic success. In this study, SelectKBest feature selection method was applied using a dataset consisting of 18 feature variables (17 input and 1 target) and classification processes were performed with four different machine learning algorithms (K-Nearest Neighbor, Logistic Regression, Naive Bayes, Support Vector Machines). Classification performance was evaluated with metrics such as accuracy, sensitivity, specificity and F1 score. After feature selection, Support Vector Machines and Logistic Regression algorithms achieved 100% accuracy, while K-Nearest Neighbor and Naive Bayes algorithms achieved 94.7% and 96.7% accuracy, respectively. When no feature selection was performed, the highest accuracy rate was recorded as 96.2%. The results show that feature selection significantly improves the classification performance of machine learning algorithms. These results demonstrate the applicability and accuracy of machine learning methods in the diagnosis of ASD and provide an important contribution to improve the diagnostic process.

Anahtar Kelimeler

Machine Learning, Autism Spectrum Disorder, Autism Diagnosis, Feature selection

Kaynakça

• Korkmaz B. Otizm: Klinik ve nörobiyolojik özellikleri erken tanı tedavi ve bazı güncel gelişmeler çağrılı Yazar. Türk Pediatri Arşivi 2010; 45(12): 1-8.
• Çattik EO, Yetki̇n Aİ, Di̇ken İH. Erken çocukluk döneminde otizm spektrum bozukluğunda aile merkezli müdahaleler. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Özel Eğitim Dergisi 2020; 21(3): 589-610.
• Volkmar FR, McPartland JC. From Kanner to DSM-5: Autism as an evolving diagnostic concept Annu Rev Clin Psychol, 2014 ;10: 193-212.
• Akkuş PZ, Saygan BB, Bahadur Eİ, Cak T, Özmert E. Otizm spektrum bozukluğu tanısı ile yaşamak: Ailelerin deneyimleri. Turkish Journal of Pediatric Disease 2021; 15(4): 272-279.
• Atalay M, Çelik E. Büyük veri analizinde yapay zekâ ve makine öğrenmesi uygulamaları- Artifıcial intelligence and machine learning applications in big data analysıs. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 2017; 9(22): 155-172.
• Tamur Y, Celasi̇n NŞ. Aile sağlığı merkezlerinde görev yapan sağlık profesyonellerinin otizm konusundaki bilgi ve erken tanıya yönelik görüşleri. Turkish Journal of Family Medicine and Primary Care 2022; 16(3): 517-531.
• Başkak ET, Aral N. Türkiye’de Otizm tanısı almış bireylerin aileleri ile yapılmış tezlerin ve makalelerin incelenmesi (2000-2021). İzmir Sosyal Bilimler Dergisi 2021; 3(2): 213-224.
• Çeli̇k S, Çeşmeli̇ MŞ. Çocuklar için Otizm Spektrum bozukluğunun veri madenciliği yöntemleri ile analizi. Acta Infologica 2021; 5(1): 167-186.
• Demi̇rhan,A. Performance of machıne learnıng methods ın determınıng the autısm spectrum dısorder cases. Mugla. Journal Of Science And Technology 2018; 4(1): 79-84.
• Metlek S, Kayaalp K. Otistik Spektrum bozukluğunun makine öğrenme algoritmaları ile tespiti. Int J Intell. Syst International.: Theory and Applications 2020; 3(2): 60-68.
• Thabtah F, Peebles D. A new machine learning model based on induction of rules for autism detection. Health Inf J 2020; 26(1): 264-286.
• Akyol K, Karaci A. A study on autistic spectrum disorder for children based on feature selection and fuzzy rule. International congress on engineering and life science 2018: 804-807.
• De Campos Souza PV, Guimaraes AJ. Using fuzzy neural networks for improving the prediction of children with autism through mobile devices. Symposium on computers and communications 2018; 01086-01089.
• Saihi A, Alshraideh H. Development of an autism screening classification model for toddlers. Conference on Machine Learning & Applications 2021; 2110.01410.
• Shuvo SB, Ghosh J, Oyshi AS. A data mining based approach to predict autism spectrum disorder considering behavioral attributes ICCCNT 2019; 1-5.
• Bidwe RV, Mishra S, Bajaj S. Performance evaluation of Transfer Learning models for ASD prediction using non-clinical analysis. Proceedings of the 2023 Fifteenth International Conference on Contemporary Computing 2023; 474-483.
• Raj S, Masood S. Analysis and detection of autism spectrum disorder using machine learning techniques. Procedia Comput Sci 2020; 167: 994-1004.
• Alaika L, Alamsyah A. Optimization of accuracy to autism spectrum disorder ıdentification for children using support vector machine and correlation-based feature selection. Journal of Advances in Information Systems and Technology 2022; 4(1): 1-12.
• Saran PK, Pirouz M. EEG analysis for predicting early autism spectrum disorder traits. Proceedings of the Future Technologies Conference 2021; 2: 658-675.
• Misman MF, Samah AA, Ezudin FA, Majid HA, Shah ZA, Hashim H, Harun MF. Classification of adults with autism spectrum disorder using deep neural network. In2019 1st International Conference on Artificial Intelligence and Data Sciences (AiDAS); 2019; Sep 19; Malaysia: 29-34.
• Khatun MA, Ali MA, Ahmed MR, Noori SRH, Sahayadhas A. Empirical study of computational ıntelligence approaches for the early detection of autism spectrum disorder. Intelligent Computing and Applications: Proceedings of ICICA 2019; 2021; 161-170.
• Santos DF. Analyzing the predictive power of machine learning models for autism detection. SciELO Preprints 2023.
• Mokni R, Haoues M. Deep Classifier Model for Autism Spectrum Disorder Prediction. Knowledge Innovation Through Intelligent Software Methodologies, Tools and Techniques. IOS Press; 2020: 138-49.
• Dedgaonkar S, Sachdeo R, Godbole S. Hybrid feature vector for screening of autistic people using deep learning. International Journal of Intelligent Engineering & Systems 2022; 15(1).
• Uddin KMM. A machine learning approach to predict autism spectrum disorder (ASD) for both children and adults using feature optimization. Network Biology 2023; 13(2): 37.
• Praveena KN, Mahalakshmi R, Manjunath C, Zubair AF, Karthikeyan P. OptimizedFeature selection and transformations for early stage prediction of autism using supervised machine learning models. MECS 2023; 6: 73-89.
• Pottem A, Sirisha G, Chaitanya RK. Prediction of autism spectrum disorder from high dimensional data using machine learning techniques. 2023;28:261.
• Günay M, Alkan A. Classification of EMG signals by spectral methods and SVM classifier. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 2016; 13(2): 63-80.
• Balcı M, Alkan A. Identification of wart treatment evaluation by using optimum ensemble based classification techniques. Biomed Signal Process Control 2024; 95: 106491.
• Thabtah F, Peebles D. A new machine learning model based on induction of rules for autism detection. Health Inf J 2020: 26(1): 264-286.
• Autism screening data for toddlers 2018. https://www.kaggle.com/datasets/fabdelja/autism-screening-for-toddlers.
• Çelik Ö. A Research on Machine Learning Methods and Its Applications. J Educ Technol Online Learn. 2018;1(3):25-40.
• Boser BE, Guyon IM, Vapnik VN. A training algorithm for optimal margin classifiers. Proceedings Of The Fifth Annual Workshop On Computational Learning Theory 1992; 144-152.
• Bone D, Bishop SL, Black MP, Goodwin MS, Lord C, Narayanan SS. Use of machine learning to improve autism screening and diagnostic instruments: Effectiveness, efficiency, and multi‐instrument fusion. J Child Psychol Psychiat.; 57(8): 927-937.
• Pisner DA Schnyer DM. Chapter 6-Support vector machine, Machine Learning. A. Mechelli & S. Vieira (Ed.). Academic Press, 2020; 101-121.
• Nick TG, Campbell KM. Logistic regression, Topics in Biostatistics. W. T. Ambrosius (Ed.). Humana Press, 2007; 273-301.
• Huang X, Jin G, Ruan W. Naive bayes, Machine Learning Safety. X. Huang, G. Jin, & W. Ruan (Ed.). Springer Nature 2023; 95-102.
• Cai J, Luo J, Wang S, Yang S. Feature selection in machine learning: A new perspective. Neurocomputing 2018; 300: 70-79.
• Fernandez A, Garcia S, Herrera F, Chawla NV. SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary. J Artif Intell Res, 2018; 61: 863-905.
• Elreedy D, Atiya AF, Kamalov F. A theoretical distribution analysis of synthetic minority oversampling technique (SMOTE) for imbalanced learning. Mach learn 2024; 113(7): 4903-4923.