Seçilen siğil tedavi yönteminin farklı makine öğrenmesi algoritmaları ile başarımının tahmin edilmesi

Siğiller virüs temelli olup en sık karşılaşılan dermatolojik sorunların başında gelmektedir. Siğil tedavisinde çeşitli tedavi yöntemleri geliştirilmiştir. Son zamanlarda yaygın ve ayak taban siğili olan hastalara kriyoterapi ve immünoterapi tedavi yöntemleri uygulanmaya başlanmıştır. Bununla birlikte hangi tedavi yönteminin başarılı olacağına dair bir kanıt bulunmamaktadır. Bu çalışmada, bu iki yöntemin siğil tedavisinde başarılı olup olmayacağı literatürde yaygın kullanıma sahip makine öğrenmesi yöntemleri ile tedavi uygulanmadan önce tahmin edilmeye çalışılmıştır. Bu algoritmaların girişlerine açık erişime sahip olan UCI veri tabanındaki veriler uygulanarak algoritmalar koşturulmuştur. Bu veriler yaygın ve / veya ayak tabanı siğil türlerine sahip 180 hastaya ait iki veri setinin birleştirilmesiyle elde edilmiştir. Hastaların yarısına kriyoterapi ve diğer yarısına immünoterapi yöntemleri uygulanmıştır. Sonuç olarak, seçilen siğil tedavi yönteminin başarısı duyarlık, belirleyicilik ve genel başarım ölçütlerine göre belirlenmiştir. Bu değerler kullanılan yöntemlere göre sırasıyla NaiveBayes yöntemi için %68,43, %67,61 ve %67,78, Lojistik Regresyon yöntemi için %26,32, %94,37 ve %80,00, Karar Ağacı yöntemi için %52,63, %94,37 ve %85,56, 7-Yakın Komşuluk yöntemi için %15,79, %97,19 ve %80,00, Destek Vektör Makineleri yöntemi için %47,37, %95,78 ve %85,46, Aşırı Öğrenme Makinesi yöntemi için %36,85, %90,15 ve %78,89,Çok Katmanlı Algılayıcı yöntemi için %78,95, %98,60 ve %94,45 olarak tespit edilmiştir. Bu değerler içinde en yüksek genel başarımı veren Çok Katmanlı Algılayıcı yöntemi ile literatürdeki mevcut az sayıdaki çalışmadan çok daha yüksek bir doğrulukla tercih edilen siğil tedavi yönteminin başarılı olup olamayacağını tahmin edilebilmiştir. Anahtar Kelimeler: Siğil, kriyoterapi, imünoterapi, makineöğrenmesi, naive Bayes, lojistikregresyon, kararağacı, k-yakınkomşu, destekvektörmakineleleri, aşırıöğrenmemakinesi, çokkatmanlıalgılayıcı.