Görüntüleme
30
İndirme
5
Prostat kanseri dünya genelinde yaygın olarak görülen ve ölüme yol açan kanser türlerinden biridir. Kanserin erken teşhisi hastaların tedavi aşamasında yardımcı olmaktadır. Bu sebeple, hastada görülen belirtilere göre kanser tahmini büyük önem taşımaktadır. Sağlık alanında en büyük sorunlardan biri hastalığı teşhis etmektir. Prostat kanseri semptomlarının değerlendirilmesi için belirli kesin kuralların olmaması ve şu anda yürürlükte olan tanı yöntemlerinin düşük öngörü oranı bu çalışmayı gerekli kılmıştır. Belirli ve kesin kuralların bulunmadığı ve olayı etkileyen faktörlerin öngörülebildiği sorunların çözümünde makine öğrenimi yöntemlerinin etkili olabileceği düşünülmektedir. Bu farkındalığın bilinci ile bilgisayar destekli sistemler tarafından çeşitli çözümler geliştirilmektedir. Bu çalışmada, prostat kanserinin tahmini için çeşitli denetimli makine öğrenme algoritmalarının (destek vektör makineleri, rastgele orman, k-en yakın komşu, lojistik regresyon, doğrusal regresyon, Naive Bayes, doğrusal ayrımcılık analizi, doğrusal sınıflandırma, çok katmanlı algılayıcılar ve derin yapay sinir ağları gibi ) performansını karşılaştırır ve tartışırız. Bu çalışmada 100 hastanın gözlemlerinden oluşan açık erişimli çevrimiçi prostat kanseri verisi kullanılmıştır. Temel amaç her algoritmanın verilerin sınıflandırılmasındaki doğruluğunu, etkinlik ve verimlilik açısından hassasiyet, recall, AUC, F1-Score ve doğruluğa göre değerlendirmektir. Yöntemlerin doğruluğu, eğitim ve test verilerine göre değişebilir. Daha istikrarlı sonuçlar elde etmek için, her bir algoritmayı 10’dan fazla çalıştırdık ve en iyi 5 performansını kaydettik. Sonuçlar çok katmanlı algılayıcının (MLP), diğer yaklaşımlara göre göre daha iyi olan yüksek tahmin doğruluğu ile sonuçlanabildiğini göstermektedir. Deneysel sonuçlar, MLP'nin en yüksek doğruluğu (%97) ve en düşük hata oranını (0.03) verdiğini göstermektedir. MLP sınıflandırıcısı, bu çalışmada kullanılan diğer algoritmalardan daha iyi performans gösterdi ve doğruluk, AUC ve F1 puan performans kriterleri açısından literatürde bildirilen en iyi çalışmalardan biridir. Sonuç olarak, bilgisayarın hasta bilgilerine dayanarak makine öğrenmesi yöntemleri ile eğitilmesi durumunda, kanseri tahmin etmede yüksek bir doğrulukla klinik olarak yararlı olabileceğini söyleyebiliriz. Böylece hastaya gereksiz bir biyopsi önlenebilir.
Prostate cancer is a kind of cancer that is seen worldwide and causes death of many people. Early diagnosis of cancer helps patients during the treatment phase. For this reason, cancer prediction is very crucial, according to the symptoms seen in the patient. One of the biggest problems in medicine is diagnosing diseases. The absence of certain definitive rules for the evaluation of symptoms of prostate cancer and the low rate of prediction of the diagnostic methods currently in effect made this study essential. It is thought that machine learning methods can be effective for the solution of the problems where there are no specific and definite rules and the factors affecting the event can be predicted. With this awareness, various solutions are developed by computer-aided systems. In this paper, we compare and discuss the performance of different supervised machine learning algorithms (i.e., k-nearest neighbor, support vector machines, random forest, logistic regression, linear regression, Naive Bayes, linear discrimination analysis, linear classification, multi-layer perceptron and deep neural network) for prostate cancer prediction. In this study, an open-access online prostate cancer data which consists of observations of 100 patients is used. The main intention is to evaluate the correctness in classifying data with respect to effectiveness and efficiency of each algorithm in terms of precision, recall, AUC, F1-Score, accuracy. The accuracy of the methods may vary according to the training and test data. In order to obtain more stable results, each algorithm was run more than ten times and their five best performances were recorded. The results show that multi-layer perceptron (MLP) can result in high prediction accuracy that is better compared to other approaches. Experimental results show that MLP gives the highest accuracy (97%) with the lowest error rate (0.03). The MLP classifier outperformed the other algorithms used in this study and is one of the best studies ever reported in the literature in terms of accuracy, AUC and F1 score performance criteria. As a result, we can say that if the computer is trained with machine learning methods based on patient information, it can be clinically useful with high accuracy in predicting cancer. In this way, an unnecessary biopsy of the patient can be prevented.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
