Romatoid artrit tanısının iyileştirilmesi için makine öğrenmesi ve derin öğrenme yöntemlerinin entegrasyonu

Normal el radyografileri ve Romatoid artritli el radyografilerini sınıflandırmak için yapılan bu çalışmada CNN'ler nesne dedektörü ve özellik çıkarıcı olarak kullanıldı. YOLOv4 ile ön işlem sonrası önceden eğitilmiş VGG-16 modeli ile sınıflandırma yapıldı. Doğruluk, duyarlılık, özgüllük, kesinlik, F1 score, area under the curve (AUC) ve Cohen's kappa performans metriklerinde sırasıyla %90.5, %96.0, %85.7, %85.7, %90.5, 0.94 ve 0.81 sonuçları elde edildi. VGG-16 modeli ile özellik çıkarımı yapıldı ve bu veri seti ile topluluk öğrenme algoritmalarından stacking yöntemi ile doğruluk sonucunda % 0.9'luk bir iyileşme oldu. Performansı iyileştirmek için yapılan çalışmalar sonucunda literatüre iki yeni katkı sağlandı. Önce majority voting sınıflandırıcısına segmental arama özelliği eklendi ve önerilen bu majority voting modeliyle VGG-16'ya göre % 1 doğruluk artışı elde edildi. İkinci olarak verisetine filtre özellik seçim yöntemlerinden ANOVA ve varyans eşik yöntemleri birlikte uygulandı ve optimum özellik sayısını bulmak için makine öğrenmesi sınıflandırıcısı ANOVA algoritması içine yerleştirildi. Optimum özellik seti yinelemeli olarak arandı. Önerilen bu ANOVA ve varyans eşik yöntemiyle Rastgele Orman, Lojistik Regresyon ve Destek Vektör Makineleri algoritmaları ile performans metriklerinde %2-5 oranında iyileşme sağlandı. Önerilen her iki yöntemle de eğitim süresi kısaldı.