Makine öğrenmesi yöntemleriyle tümör kontrol olasılığının hesaplanması

Çok büyük miktardaki verinin elle işlenmesi ve analizinin yapılması mümkün değildir. Bununla birlikte çoğu zaman geçmişteki veriler kullanılarak gelecek için tahminde, çıkarımda bulunmak mümkündür. Bu çıkarımları yapabilmek için makine öğrenmesi yöntemleri kullanılır. Makine öğrenmesinin kullanıldığı sistemler, karar destek sistemleridir. Karar destek sistemleri kullanım alanına bağlı olarak çeşitlilik göstermektedir. Tıp alanındaki uygulamalarda klinik karar destek sistemleri kullanılmaktadır. Tıbbi verilerin karmaşıklığı karşısında geleneksel veri analiz yöntemleri yetersiz kalabilmektedir. Bu sebeple karmaşık yapıların anlaşılması, çözümlenebilmesi için makine ögrenmesi yöntemlerine başvurulur. Sağlık alanı, makine öğrenmesi yöntemlerinin sınırlı kullanıldığı ancak çok önemli kullanım potansiyeli olan alanlardan biridir. Bu çalışmada küçük hücreli dışı akciğer kanseri hastalarının radyoterapi verileri kullanılmıştır. Radyoterapi de sözü edilen karmaşık verilerin çok sayıda yer aldığı alanlardan biridir. Radyoterapi alacak her hastaya ayrı bir plan çizilir. Tümörün radyoterapiye vereceği yanıt her hasta için farklıdır. Bunun nedenleri arasında radyoterapiyi etkileyen birçok parametre olması ve hastaların her biri kişisel özellikleri bakımdan birbirinden farklı olması sayılabilir. Karmaşık verilerin analiz edilip incelenmesi, radyoterapi sonucunda tümörün radyoterapiye yanıtı hakkında çıkarım yapmak için makine öğrenmesi yöntemleri kullanılabilir. Çalışmada radyasyon onkolojisindeki hasta verilerinin makine öğrenmesi yöntemleriyle sınıflandırılması ve çıkarım yapılması amaçlanmıştır. Çalışma kapsamında Karadeniz Teknik Üniversitesi Tıp Fakültesi Farabi Hastanesi Radyasyon Onkolojisine 2012-2015 yılları arasında gelen hastaların verileri kullanılmıştır. Bu kapsamda, destek vektör makineleri (DVM) ve yapay sinir ağları (YSA) ile tümörün radyoterapiye verdiği yanıtlar sınıflandırılması ve bunların karşılaştırılması ele alınmıştır. Bu çalışmada 30 hasta verisi kullanılarak DVM ve YSA makine öğrenmesi yöntemleri yardımıyla iki farklı karar destek sistemi modeli geliştirilmiştir. DVM modeli için %90 duyarlılık, %100 özgüllük değeri elde edilmiş; YSA modeli için % 80 duyarlılık, % 100 özgüllük değeri elde edilmiştir. Bu çalışmada SVM modelinin %90 duyarlılıkla en başarılı sonucu verdiği görülmüştür. Bu model sayesinde radyoterapi alacak hastanın tedavi sonunda tümöründe ne kadar değişiklik olacağı hakkında bir öngörü oluşacaktır. Bu çalışmada veriler önce ön 2 işlemeye ve elemeye tabi tutulmuştur. Bunun sonucunda ise veri sayısında azalma olmuştur. Daha sonra yapılması planlanan çalışmaların başarısı için bu eksiklikler göz önünde bulundurularak yeni parametreler eklenmeli ve veriler eksiksik bir biçimde elde edilmelidir.