Prediction of Renal Cell Carcinoma Based on Ensemble Learning Methods

Adem DOĞANER; Cemil ÇOLAK; Faruk KÜÇÜKDURMAZ; Caner ÖLMEZ

doi:https://doi.org/10.19127/mbsjohs.889492

Makale detayları

Prediction of Renal Cell Carcinoma Based on Ensemble Learning Methods

Yazarlar:

Adem DOĞANER | Cemil ÇOLAK | Faruk KÜÇÜKDURMAZ | Caner ÖLMEZ

Yayıncı:

Ordu University

Ana Başlıklar:

Sağlık teşvikleri

Dergi:

Middle Black Sea Journal of Health Science 2021 Vol.7 Issue 1, pp.104-114

Belge Tipi:

Makale

Yayın Tarihi:

4/2021

Belge Dili:

İngilizce

Document ID (Org No.):

2000564029

Sıklık:

Üç Yıllık

eISSN:

2149-7796

DOI:

https://doi.org/10.19127/mbsjohs.889492

Özet:

 

Objective: In recent years, ensemble learning methods have gained widespread use for early diagnosis of cancer diseases. In this study, it is aimed to establish a high-performance ensemble learning model for early diagnosis and classification of renal cell carcinomas.Methods: In the study, hemogram and laboratory data of 140 patients with renal cell carcinoma and 140 patients without renal cell carcinoma were included in the study. The data set includes 27 predictors and 1 dependent variable. The data were obtained retrospectively. In the study, classification performances of machine learning methods and ensemble learning methods were compared. In the study, classification performances of boosting, bagging, voting and stacking ensemble learning methods as well as IB1, IBk, Kstar, LWL, REPTree, Random Forest and SMO classifiers were compared.Results: REPTree classifier provided the highest performance among machine learning methods (Accuracy = 0.867). Among the ensemble learning methods, the Stacking ensemble learning method provided the highest performance in Model 6 (Accuracy = 0.906). Stacking ensemble learning methods performed higher than boosting, voting, bagging ensemble methods and machine learning methods.Conclusion: Stacking ensemble learning methods provide successful results in the early diagnosis of renal cell carcinomas. Stacking ensemble learning methods can be used as an alternative to existing methods for diagnosing renal cell carcinoma. In order to further increase the classification performance of the stacking ensemble learning method, it is recommended to choose a meta classifier suitable for the data set and variable types.

 

Giriş: Son yıllarda topluluk öğrenme yöntemleri kanser hastalıklarının erken teşhisi için yaygın bir kullanıma kavuşmuştur. Bu çalışmada, renal hücreli karsinomların erken teşhisi ve sınıflandırılması için yüksek performansa sahip topluluk öğrenme modelinin oluşturulması amaçlanmıştır.
Materyal ve Metot: Çalışmada, 140 renal hücreli karsinom hastası ve 140 renal hücreli karsinomu olmayan hastanın hemogram ve laboratuar verileri çalışmaya dahil edilmiştir. Veri setinde 27 predictor ve 1 bağımlı değişken yer almaktadır. Veriler restospektif olarak elde edilmiştir. Çalışmada makine öğrenme yöntemleri ve topluluk öğrenme yöntemlerinin sınıflandırma performansları karşılaştırılmıştır. Çalışmada IB1, IBk, Kstar, LWL, REPTree, Random Forest ve SMO sınıflayıcılarının yanısıra, boosting, bagging, voting ve stacking topluluk öğrenme yöntemlerinin sınıflandırma performansları karşılaştırılmıştır.
Bulgular: Makine öğrenme yöntemleri içerisinde en yüksek performansı REPTree sınıflayıcısı sağlamıştır (ACC=0.867). Topluluk öğrenme yöntemleri içerisinde en yüksek performansı Stacking topluluk öğrenme yöntemi Model 6’da sağlamıştır (ACC=0.906). Stacking topluluk öğrenme yöntemleri, boosting, voting, bagging topluluk yöntemlerine ve makine öğrenme yöntemlerine göre daha yüksek performans göstermiştir.
Sonuçlar: Stacking topluluk öğrenme yöntemleri renal hücreli karsinomların erken teşhisinde başarılı sonuçlar sağlamaktadır. Stacking topluluk öğrenme yöntemleri renal hücreli karsinomun teşhisi için mevcut yöntemlere bir alternatif olarak kullanılabilmektedir. Stacking topluluk öğrenme yönteminin sınıflandırma performansını dahada artırmak için veri setine ve değişken türlerine uygun meta sınıflayıcı seçilmesi önerilmektedir.

Makale detayları

Prediction of Renal Cell Carcinoma Based on Ensemble Learning Methods

Yazarlar: Adem DOĞANER | Cemil ÇOLAK | Faruk KÜÇÜKDURMAZ | Caner ÖLMEZ

Yayıncı: Ordu University

Ana Başlıklar: Sağlık teşvikleri

Dergi: Middle Black Sea Journal of Health Science 2021 Vol.7 Issue 1, pp.104-114

Belge Tipi: Makale

Yayın Tarihi: 4/2021

Belge Dili: İngilizce

Document ID (Org No.): 2000564029

Sıklık: Üç Yıllık

eISSN: 2149-7796

DOI: https://doi.org/10.19127/mbsjohs.889492

Sayı

Yazarlar:

Adem DOĞANER | Cemil ÇOLAK | Faruk KÜÇÜKDURMAZ | Caner ÖLMEZ

Yayıncı:

Ordu University

Ana Başlıklar:

Sağlık teşvikleri

Dergi:

Middle Black Sea Journal of Health Science 2021 Vol.7 Issue 1, pp.104-114

Belge Tipi:

Makale

Yayın Tarihi:

4/2021

Belge Dili:

İngilizce

Document ID (Org No.):

2000564029

Sıklık:

Üç Yıllık

eISSN:

2149-7796

DOI:

https://doi.org/10.19127/mbsjohs.889492