Makine öğrenmesi sınıflandırma yöntemleri ile meme kanserinin erken teşhisi

Tıp alanında veri madenciliği yaklaşımı, gereksiz yöntemlerden kaçınarak hastalık teşhisinde daha doğru tahmin yapması, tıp uygulayıcılarına daha hızlı karar vermelerinde oldukça yardım sağlaması bakımından son yıllarda yaygın olarak kullanılmaktadır. Hastalığın teşhisinin kolaylaşması, daha doğru tahmin yapılması, gereksiz biyopsiden kaçınmak hasta sonuçlarını iyileştirmenin yanı sıra kullanılan maliyeti düşürür ve klinik çalışmaların artmasına olanak sağlar. Akciğer kanserinden sonra kadınlarda en yüksek ölüm oranı meme kanseridir. Bu çalışmada amaç gereksiz biyopsiden kaçınarak meme kanserinin erken teşhisini makine öğrenmesi yöntemleriyle araştırmaktır. Önceki çalışmalarda teşhis için tümör bilgilerini içeren değişkenler kullanılırken yapılan bu çalışmada daha çok kültürel ve fiziksel etkisi olan değişkenlerle çalışıldı. Erken teşhiste bu değişkenlerin ne kadar önemli olup olmadığı araştırıldığı gibi farklı değişkenlerle yapılan çalışmalarla da karşılaştırma imkânı sağlandı. Meme kanseri teşhisi için makine öğrenmesi sınıflandırma yöntemleri kullanılmıştır. Her yöntem kendi içinde yöntemin uygunluğuna göre değişkenlerde boyut azaltması yapmıştır. Her yönteme göre en etkili değişken farklılık göstermiştir. Aynı veri seti üzerinde iki farklı uygulama yapılmıştır. İlki veri setinin eğitim ve test seti olarak ayrılarak SPSS.18 Moduler programında yapılmış uygulamadır. İkincisi ise k-kat çapraz doğrulama ile Weka'da yapılan uygulamadır. Kullanılan makine öğrenmesi yöntemlerinden Lojistik Regresyon (%78) ve Naive Bayes (%78) en iyi sonucu vermiştir. Bunlardan sonra sırasıyla Destek Vektör Makineleri (%76), Karar Ağacı C5.0 algoritması (%76), ve Yapay Sinir Ağları (%74) modelleri gelmektedir. 3 kat çapraz doğrulama yapıldığı durumda en iyi sınıflandırma doğrulununu veren yöntemler sırasıyla, Karar Ağacı C5.0 algoritması (%76), Lojistik Regresyon (%73), Destek Vektör Makineleri (%73), Yapay Sinir Ağları (%73) ve Naive Bayes (%73) olarak bulunmuştur. Anahtar Kelimeler: Makine Öğrenmesi, Lojistik regresyon, Destek Vektör Makineleri, Karar Ağaçları, Yapay Zeka