Hidrosefali Hastalığının Sınıflandırılması ve İlişkili  Faktörlerin Makine Öğrenmesi Yöntemleri ile Belirlenmesi

Zeynep TUNÇ; Cemil ÇOLAK; Ramazan ÖZDEMİR

Makale detayları

Hidrosefali Hastalığının Sınıflandırılması ve İlişkili Faktörlerin Makine Öğrenmesi Yöntemleri ile Belirlenmesi

Yazarlar:

Zeynep TUNÇ | Cemil ÇOLAK | Ramazan ÖZDEMİR

Yayıncı:

Inonu University

Dergi:

Annals of Health Sciences Research 2018 Vol.7 Issue 2, pp.14-20

Belge Tipi:

Makale

Yayın Tarihi:

9/2018

Belge Dili:

Türkçe

Document ID (Org No.):

2000674895

Sıklık:

İki Yıllık

eISSN:

2717-6703

Özet:

 

The first objective of this research is to classify babies with and without hydrocephalus by means of support vector machines  SVM  constructed by various kernel functions and Random Forest  RF  methods generated by different branching criteria. The data analyzed in this study were retrospectively selected from the database of the Department of Pediatric, Turgut Özal Medical Center, Inonu University. The data included in the study include babies with and without hydrocephalus and risk factors related to these babies. SVM and RF models were used for classification of hydrocephalus. As performance evaluation metrics; accuracy, classification error, kappa statistic, area under the ROC curve  AUC , f-measure, sensitivity, specificity and Youden index were used. For SVM models, the best classification performances were obtained by the SVM with ANOVA kernel model. The performance metrics  with 95% confidence interval  were respectively; 72.14% ± 8.99 for accuracy, 27.86% ± 8.99 for classification error, 0.424 ± 0.209 for kappa statistic, 0.748 ± 0.120 for AUC, 75.78% ± 6.97 for f measurement, 71.45% ± 8.27 for sensitivity, 73.00% ± 22.13 and 0.404 ± 0.221 for Youden index. For RF models, the best classification performances were obtained by RF constructed by the Gini Index. The performance metrics  with 95% confidence interval  were respectively; 77.47% ± 9.51 for accuracy, 22.53% ± 9.51 for classification error, 0.554 ± 0.193 for kappa statistic, 0.799 ± 0.100 for AUC, 78.89% ± 9.43 for f measurement, 71.90%± 15.10 for sensitivity, 87.00% ± 19.23 and 0.589 ± 0.197 for Youden index. The best classification performance to predict Hydrocephalic achieved by RF model. As future study, more sophisticate machine learning algorithms will be used to improve classification performance of the Hydrocephalic.

 

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.

Makale detayları

Hidrosefali Hastalığının Sınıflandırılması ve İlişkili Faktörlerin Makine Öğrenmesi Yöntemleri ile Belirlenmesi

Yazarlar: Zeynep TUNÇ | Cemil ÇOLAK | Ramazan ÖZDEMİR

Yayıncı: Inonu University

Dergi: Annals of Health Sciences Research 2018 Vol.7 Issue 2, pp.14-20

Belge Tipi: Makale

Yayın Tarihi: 9/2018

Belge Dili: Türkçe

Document ID (Org No.): 2000674895

Sıklık: İki Yıllık

eISSN: 2717-6703

Sayı

Yazarlar:

Zeynep TUNÇ | Cemil ÇOLAK | Ramazan ÖZDEMİR

Yayıncı:

Inonu University

Dergi:

Annals of Health Sciences Research 2018 Vol.7 Issue 2, pp.14-20

Belge Tipi:

Makale

Yayın Tarihi:

9/2018

Belge Dili:

Türkçe

Document ID (Org No.):

2000674895

Sıklık:

İki Yıllık

eISSN:

2717-6703