Yıl 2018, Cilt 6, Sayı 4, Sayfalar 953 - 961 2018-08-01

Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması

Ayşe Demirhan [1]

38 66

Çok değişkenli desen analizi (ÇDDA) klinik verilerin incelenmesi için yaygın olarak kullanılan güçlü bir tekniktir. ÇDDA uygulamalarında genellikle makine öğrenmesi yöntemleri kullanılmaktadır. Kolektif öğrenme algoritmaları çok sayıda makine öğrenmesi metodunu bir araya getirilerek sınıflama performansını arttırmaktadır. Kadınlarda en sık görülen ikinci kanser türü olan serviks kanseri düşük gelirli ülkelerde önemli bir ölüm nedenidir. İlk evrelerinde belirti göstermeyen serviks kanseri erken teşhis edildiğinde tamamen tedavi edilebilmektedir. Bu çalışmada rastgele ormanlar, aşırı rassal ağaçlar ve Adaboost kolektif öğrenme yöntemleri kullanılarak hastaların serviks kanseri riskini çeşitli risk faktörlerinden faydalanarak farklı tarama yöntemleri açısından tahmin eden bir ÇDDA uygulaması yapılmıştır. Aşırı rassal ağaçlar algoritmasından Hinselmann, Schiller, sitoloji ve biyopsi tarama yöntemlerinin hastaların serviks kanseri olması riskini tahmin başarısı sırasıyla %99, %96, %97 ve %97 olmuştur.
Kolektif öğrenme algoritmaları, Rastgele ormanlar, Aşırı rassal ağaçlar, Adaboost, Klinik karar destek sistemleri
  • [1] M.A. Musen, B. Middleton, R.A. Greenes, “Clinical Decision-Support Systems,” Biomedical Informatics, 4. baskı. London: Springer, 2014, böl. 20, ss. 643-674.
  • [2] J.M. Hardin ve D.C. Chhieng, “Data Mining and Clinical Decision Support Systems,” Clinical decision support systems, 2. baskı. New York: Springer Science+ Business Media, LLC, 2007, böl. 3, ss. 44-63.
  • [3] N. Ye, C. Liu, P. Shi, “Metabolomics Analysis of Cervical Cancer, Cervical Intraepithelial Neoplasia and Chronic Cervicitis by 1H NMR Spectroscopy,” European Journal of Gynaecological Oncology, c. 36, s. 2, ss. 174-180, 2015.
  • [4] K. Fernandes, J.S. Cardoso, J. Fernandes, “Transfer Learning with Partial Observability Applied to Cervical Cancer Screening,” 8th Iberian Conference on Pattern Recognition and Image Analysis, Faro, Portugal, 2017, ss. 243-250.
  • [5] A. Bandyopadhyay, U. Mukherjee, S. Ghosh, S. Ghosh, S.K. Sarkar, “Pattern of Failure with Locally Advanced Cervical Cancer– A Retrospective Audit and Analysis of Contributory Factors,” Asian Pacific Journal of Cancer Prevention, c. 19, s. 1, ss. 73-79, 2017.
  • [6] W.A. Leyden, M.M Manos, A.M. Geiger, S. Weinmann, J. Mouchawar, K. Bischoff, M.U. Yood, J. Gilbert, S.H. Taplin, “Cervical Cancer in Women with Comprehensive Health Care Access: Attributable Factors in the Screening Process,” Journal of the National Cancer Institute, c. 97, s. 9, ss. 675–683, 2005.
  • [7] P. Bountris, M. Haritou, A. Pouliakis, N. Margari, M. Kyrgiou, A. Spathis, A. Pappas, I. Panayiotides, E.A. Paraskevaidis, P. Karakitsos, D.D. Koutsouris, “An intelligent clinical decision support system for patient-specific predictions to improve cervical intraepithelial neoplasia detection,” BioMed Research International, c. 2014, Article Number: 341483, 2014.
  • [8] A. Demirhan, “Neuroimage‐based clinical prediction using machine learning tools,” International Journal of Imaging Systems and Technology, c. 27, s. 1, ss. 89-97, 2017.
  • [9] N.A. Mayr, W.T. Yuh, J. Zheng, J.C. Ehrhardt, V.A. Magnotta, J.I. Sorosky, R.E. Pelsang, L.W. Oberley, D.H. Hussey, “Prediction of tumor control in patients with cervical cancer: analysis of combined volume and dynamic enhancement pattern by MR imaging,” American Journal of Roentgenology, c. 170, s. 1, ss. 177-182, 1998.
  • [10] M. Galar, A. Fernandez, E. Barrenechea, H. Bustince, F. Herrera, “A review on ensembles for the class imbalance problem: bagging-, boosting-, and hybrid-based approaches,” IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), c. 42, s. 4, ss. 463-484, 2012.
  • [11] P. Bühlmann, “Bagging, Boosting and Ensemble Methods,” Handbook of Computational Statistics, 2. baskı. Berlin: Springer-Verlag, 2012, ss. 985-1022.
  • [12] L. Breiman, “Random Forests,” Machine Learning, c. 45, s. 1, ss. 5–32, 2001.
  • [13] P. Geurts, D. Ernst, L. Wehenkel, “Extremely randomized trees,” Machine Learning, c. 63, s. 1, ss. 3-42, 2006.
  • [14] Y. Freund, R.E. Schapire, “A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting,” Journal of Computer and System Sciences, c. 55, s. 1, ss. 119-139, 1997.
  • [15] T. Hastie, S. Rosset, J. Zhu, H. Zou, “Multi-Class Adaboost,” Statistics and its Interface, c. 2, s. 3, ss. 349-360, 2009.
  • [16] T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Second Edition, New York: Springer series in statistics. 2009, böl. 10, ss. 337-384.
  • [17] F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, É. Duchesnay, “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, c. 12, s. Oct, ss. 2825-2830, 2011.
  • [18] W. Wu, H. Zhou, “Data-Driven Diagnosis of Cervical Cancer with SVM-Based Approaches,” IEEE Access, c. 5, ss. 25189-25195, 2017.
Birincil Dil tr
Konular
Dergi Bölümü Makaleler
Yazarlar

Orcid: 0000-0001-9227-9210
Yazar: Ayşe Demirhan (Sorumlu Yazar)
Kurum: GAZİ ÜNİVERSİTESİ
Ülke: Turkey


Bibtex @araştırma makalesi { dubited432861, journal = {Düzce Üniversitesi Bilim ve Teknoloji Dergisi}, issn = {}, eissn = {2148-2446}, address = {Düzce Üniversitesi}, year = {2018}, volume = {6}, pages = {953 - 961}, doi = {10.29130/dubited.432861}, title = {Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması}, key = {cite}, author = {Demirhan, Ayşe} }
APA Demirhan, A . (2018). Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6 (4), 953-961. DOI: 10.29130/dubited.432861
MLA Demirhan, A . "Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması". Düzce Üniversitesi Bilim ve Teknoloji Dergisi 6 (2018): 953-961 <http://dergipark.gov.tr/dubited/issue/38650/432861>
Chicago Demirhan, A . "Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması". Düzce Üniversitesi Bilim ve Teknoloji Dergisi 6 (2018): 953-961
RIS TY - JOUR T1 - Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması AU - Ayşe Demirhan Y1 - 2018 PY - 2018 N1 - doi: 10.29130/dubited.432861 DO - 10.29130/dubited.432861 T2 - Düzce Üniversitesi Bilim ve Teknoloji Dergisi JF - Journal JO - JOR SP - 953 EP - 961 VL - 6 IS - 4 SN - -2148-2446 M3 - doi: 10.29130/dubited.432861 UR - http://dx.doi.org/10.29130/dubited.432861 Y2 - 2018 ER -
EndNote %0 Düzce Üniversitesi Bilim ve Teknoloji Dergisi Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması %A Ayşe Demirhan %T Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması %D 2018 %J Düzce Üniversitesi Bilim ve Teknoloji Dergisi %P -2148-2446 %V 6 %N 4 %R doi: 10.29130/dubited.432861 %U 10.29130/dubited.432861
ISNAD Demirhan, Ayşe . "Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması". Düzce Üniversitesi Bilim ve Teknoloji Dergisi 6 / 4 (Ağustos 2018): 953-961. http://dx.doi.org/10.29130/dubited.432861