Zeki sınıflandırma ve kümeleme yöntemlerinin tıbbi tanı ve tedavide kullanımı

Bu doktora tezinde, hastalıkların teşhis ve tedavisinde doktorların kararlarına destek olmak amacı ile makine öğrenmesi içeren sınıflandırma ve kümeleme algoritmaları kullanılmıştır. Önce, makine öğrenmesinin tıbbi tanı ve tedavideki yeri ve önemi hakkında bilgi verilmiştir. Sınıflandırma ve kümeleme aşamalarında kullanılan zeki algoritmalar anlatılmıştır. Bu kapsamda yapılmış bilimsel çalışmalar özetlenmiştir. Karar destek sistemleri, tıbbi karar destek sistemleri, tıbbi karar destek sistemlerinin özellikleri ve tıbbi karar destek sistemlerinin etkileri incelenmiştir. Sonra, dünyada en çok gerçekleştirilen cerrahi işlemlerden biri olan sezaryen ya da normal doğum kararı için önemli sınıflandırma algoritmaları Öğrenmeli Vektör Niceleme Sinir Ağları (Learning Vector Quantization Neural Networks – LVQNN), Olasılıksal Sinir Ağları (Probabilistic Neural Networks – PNN) ve Örüntü Tanıma Sinir Ağları (Pattern Recognation Neural Networks – PRNN) kullanılmıştır. Bu üç yöntem karşılaştırılmış, sonuçlar başarı yönünden değerlendirilmiştir. Kanser günümüzün en sık görülen ölümcül hastalıklarından biridir. Tümörlerin iyi huylu ya da kötü huylu olduğunun tespiti için kümeleme yapay sinir ağı algoritması Kendi Kendini Düzenleyen Haritalar (Self-Organizing Maps – SOM) ile veri seti kümelere ayrıldıktan sonra, sınıflandırma yapay sinir ağları LVQNN, PNN ve PRNN uygulanmıştır. Ayrıca, yine önemli yapay zeka kümeleme algoritmalarından Bulanık C-Ortalamalar (Fuzzy C-Means – FCM) ile de veri seti kümelere ayrıldıktan sonra, sınıflandırma yapay sinir ağıları LVQNN, PNN ve PRNN kullanılmıştır. SOM ve FCM değerlerinin girdi olarak ilave edildiği bir model daha uygulanmıştır. Bu kümeleme algoritmalarının sayesinde, nispeten daha düşük başarıda olan kanser sınıflandırmasının performansı artmıştır. Diyabet ve tiroid hastalıkları birçok organda hasara yol açabilen günümüzün en yaygın görülen kronik hastalıklarındandır. Erken tespiti önemlidir. Bu işlem için de LVQNN, PNN ve PRNN yöntemleri kullanılmış, oldukça başarılı sonuçlar elde edilmiştir. Mevcut araştırma, farklı makine öğrenmesi sınıflandırma yöntemleri kullanarak en uygun yöntem sayesinde tahminlerdeki doğruluğu iyileştirmeyi amaçlamaktadır. Bu çalışma tıbbi tanı ve tedavinin sınıflandırmasında LVQNN, PNN ve PRNN algoritmalarının etkinliğini ortaya koymaktadır. Her birinin farklı hastalıkta daha başarılı olduğu görülmektedir. Ayrıca, bu çalışma SOM ve FCM kümeleme algoritmalarının sınıflandırma işlemlerine dâhil edilmesinin olumlu katkı sağladığını göstermektedir.