Denetimli makine öğrenimi ve gen ifade izlemeye dayalı derin takviyeli öğrenme ile lösemi kanseri sınıflandırmasının analizi (DNA mikrodizisi aracılığıyla)

Kanser, dünya genelinde insan sağlığını tehlikeye atan, giderek yaygınlaşan bir risktir ve erken teşhis için olumlu bir prognoz (hastalığın sonucunu tahmini) gerektirmektedir. Dünya nüfusunun önemli bir çoğunluğu kanserden ölmektedir ve araştırma topluluğu, 2025 yılına kadar olası bir kanser vakası artışının şaşırtıcı bir şekilde 25 milyon vakaya ulaşacağı konusunda alarma geçmiştir. Birkaç çalışma, kanser oluşumunun çoğunlukla tehlikeli mutasyonların artmasıyla desteklendiğini kanıtlamıştır ve bu da genom bilgisine dayalı kanserin tanınmasını güçlendirmektedir. Ayrıca, sağlık pratisyenlerine göre kanser, genomun ölümcül hastalıklarından biri olarak belirtilmiştir. Doktorlar, patologlar, biyologlar, veri bilimcileri ve diğer yaşam bilimleri ve sağlık profesyonelleri tarafından, kanseri ve alt tipini, yani Akut Lenfositik Lösemi ve Akut Miyelositik Lösemi hastalıklarını hızlı bir şekilde tanımlayabilen gelişmiş bir otomatik yönteme sahip olmak saatlik bir ihtiyaç olması nedeniyle araştırmaların merkezi olmuştur. Bu araştırma, DNA Gen Ekspresyonunu kullanarak lösemi kanseri alt sınıflarını belirlemeyi amaçlamaktadır. Gen ifadeleri verileri kullanılarak kanser sınıflandırma alanında birçok araştırma bulunabilir. Tüm araştırmalar dört ana kategoriye ayrılabilir: geleneksel veri madenciliği yöntemleri, derin öğrenme yöntemleri, ML yöntemleri ve Derin Takviyeli Öğrenme kullanılarak Sınıflandırma; en ünlü veri kümeleri The Cancer Genome Altus ve The Gen Expression Dataset'tir. Bununla birlikte, literatürün çoğu, bir tür model veya farklı modellerin bir kombinasyonunu kullanmıştır. Bildiğimiz kadarıyla, Makine Öğrenimi modellerinin, Derin Öğrenme modellerinin ve Derin Takviyeli Öğrenme modellerinin optimal anlayışı hala bilinmemektedir veya tek bir yerde mevcut değildir. Bu tez, makine öğrenimi, derin öğrenme ve derin pekiştirmeli öğrenme tabanlı modelleri keşfetmeyi ve uygulamayı ve tüm çalışmalara ve uygulamaya tek bir yerde yardımcı olmak için kapsamlı bir karşılaştırmalı analiz sağlamayı amaçlamaktadır. Lösemi kanseri tahmininde özellik seçiminin önemini göstermek için 3 özellik seçim tekniğinin karşılaştırmalı analizi yapıldı. SVM, Gaussian-NB ve LR veri kümesinin PCA sürümü %91, doğruluk elde etti. Ayrıca, rasgele forest importance veri seti versiyonu ile SVM, %97 gibi daha yüksek doğruluk elde etti ve DNN'nin kement düzenlileştirme veri seti versiyonu iyi performans gösterdi ve %97 gibi daha yüksek bir doğruluk elde etti. PCA veri setine sahip altı farklı Deep-RL modelinden model-3,5,6, %88,24 oranında daha iyi doğruluk elde etti. Altı Deep-RL konfigürasyonunun PCA versiyonu olmasına rağmen, model-1, altı Deep-RL modelinin herhangi bir PCA olmayan (ham veri seti) versiyonundan daha yüksek olan 72 AUROC değerine ulaştı. Ayrıca, Deep-RL model 6'nın altı farklı konfigürasyonundan forest importance veri seti ile %88,24 gibi daha yüksek doğruluk elde etti ve Deep-RL model 1'in altı farklı konfigürasyonu ile kement düzenlileştirme veri seti versiyonu ile %73,53 daha yüksek doğruluk elde etti. Anahtar Kelimeler: Derin Takviyeli Öğrenme, Derin öğrenme, Makine öğrenme, Gen Ekspresyonu; Lösemi Kanseri Sınıflandırması; PCA; Rastgele Orman Önemi, Lasso Düzenlileştirme