Topluluk öğrenme yöntemleri ile renal hücreli karsinom'un tahmin edilmesi

Amaç: Bu çalışmada farklı makine öğrenme yöntemlerinin birleştirilmesi ile elde edilen topluluk öğrenme yöntemleri ile renal hücreli karsinom hastalığının tahmin edilmesi amaçlanmıştır. Renal hücreli karsinomların sınıflandırılmasında, farklı sınıflayıcılar ve birleştirme teknikleri, topluluk öğrenme yöntemlerine uygulanarak en yüksek sınıflandırma performansını sağlayan topluluk öğrenme modelinin oluşturulması amaçlanmıştır. Materyal ve Metot: Çalışmanın veri seti, Kahramanmaraş Sütçü İmam Üniversitesi, Sağlık Uygulama ve Araştırma Hastanesi Üroloji Kliniği'ne gelen hastaların verilerinden retrospektif olarak elde edilmiştir. Çalışmanın örneklemi 140 renal hücreli karsinom hastası ve 140 renal hücreli karsinomu olmayan toplam 280 hastadan oluşmaktadır. Veri setinde hemogram ve laboratuar bulgularından oluşan 28 bağımsız ve bir bağımlı değişken yer almaktadır. Renal hücreli karsinomların tahmin edilmesinde boosting (artırma), bagging (torbalama), voting (oylama) ve stacking (istifleme) topluluk öğrenme yöntemi uygulanmıştır. Topluluk öğrenme yöntemlerinde, IB1, IBk, KStar, LWL, Random Forest, REPTree ve SMO sınıflayıcıları kullanılmıştır. Bulgular: Renal hücreli karsinomların tahmin edilmesinde en yüksek sınıflama performansı stacking topluluk öğrenme yönteminde IB1, IBk, KStar, LWL, Random Forest ve REPTree sınıflayıcılarının birleştirilmesinden oluşan model sağlamıştır. Modelin sınıflandırma performans ölçütleri sırasıyla doğruluk değeri 0.906, duyarlılık değeri 0.906, kesinlik değeri 0.906, özgüllük değeri 0.910 ve AUC değeri 0.944 olarak elde edilmiştir. Sonuç: Renal hücreli karsinomların tahmin edilmesinde topluluk öğrenme yöntemleri başarılı sınıflandırma gerçekleştirmiştir. Renal hücreli karsinomları en yüksek performans ile sınıflandıran topluluk yöntemi stacking topluluk öğrenme yöntemi olmuştur. Stacking topluluk öğrenme yönteminin tıbbi verilerde bilgi keşfi sürecinde uygulanması başarılı sonuçlar vermektedir. Topluluk öğrenme yöntemlerinde, birleştirme tekniklerinin geliştirilmesi ve uygun sınıflayıcıların modele dahil edilmesi, sınıflama performansını artıracaktır.