Bilgisayar destekli hastalık teşhisi için parçaçık sürü optimizasyonu tekniğinin uygulanması

Veri madenciliği farklı yöntemler kullanarak, birçok alanda elde edilen verilerden anlamlı bilgi elde etmek için kullanılır. Veri madenciliği, çok önemli bir konu olduğundan ve tıbbi alanda büyük miktarda mevcut veri bulunduğundan, çeşitli hastalıkların tanısını koymak için tıbbi verileri analiz etmek amacıyla yaygın olarak kullanılmaktadır. Bu çalışmada, Parçacık Sürüsü Optimizasyonu (PSO), sağlık ile ilgili veri kümelerinden daha iyi veri analizi yapmak için öznitelik seçimi yaparak tıbbi verilerin boyutunu azaltmak için kullanılmıştır. Hedefimize ulaşmak için UCI makine öğrenim deposundan elde edilen Breast Cancer Coimbra, Diabetic Retinopathy Debrecen, Self-Care Activities ve Lee Silverman Voice Treatment verikümeleri kullanılarak sırasıyla meme kanserini, diyabetik retinopatiyi, çocukların öz bakım problemlerini, parkinson hastalığı olan hastaların konuşma bozukluklarını teşhis etmek için Naif Bayes (NB), Destek Vektör Makineleri (SVM) ve Rastgele Ormanlar (RF) sınıflandırıcıları ile analiz edilmiştir. Deneysel analiz, PSO tabanlı öznitelik seçiminin, NB ve RF sınıflandırıcıları için hastalık tanısının sınıflandırma doğruluğunu arttırdığını göstermiştir. PSO tabanlı yöntem, bilgi kazancı (IG), Ki-kare (CHI2) ve Relief olarak iyi bilinen öznitellik seçicileriyle de karşılaştırılmıştır. PSO tabanlı yöntemin IG ve CHI2 yöntemlerinden daha iyi bir performansa sahip olduğu ve Relief yöntemiyle benzer sonuçları olduğu gözlenmiştir.