Yapay zeka ile meme kanseri teşhisi

Meme kanseri, memede bulunan hücrelerin kontrolden çıkaması olarak tanımlanan bir hastalıktır. Meme kanseri dünya genelinde kadınlar arasında rastlanılan en popüler hastalıklar arasındadır. Çoğu meme kitlesinin iyi huylu olduğunu veya kanser olmadığını anlamak erken teşhis açısından oldukça önemlidir. Meme kanserinin erken teşhisi hastalığın tedavisi açısından ise ayrı bir öneme sahiptir. Kontrol edilmezse kötü huylu tümörler vücuda yayılıp diğer organlara sıçrayabilir ve ölümcül boyutlara ulaşabilir. Tedavinin erken aşamada tespiti hastalıktan doğacak ölümlerin önüne geçmektedir. Meme kanserinin herkes için uygun olacak tek bir tedavi yaklaşımı yoktur. Tedavi için meme kanserinin tipi, evresi ve kişinin yaşamı gibi faktörler göz önünde alınmaktadır. Meme kanseri için genel olarak beş tedavi seçeneği vardır ve çoğu tedavi planı aşağıdakilerin bir kombinasyonunu içerir: ameliyat, radyasyon, hormon tedavisi, kemoterapi ve hedefe yönelik tedavilerdir. Bazıları lokaldir ve yalnızca tümörün etrafındaki alanı hedef alır. Diğerleri sistemiktir ve kanserle mücadele eden ajanlarla tüm vücudunuzu hedef alır. Tüm bu tedavi yöntemlerine rağmen kanser vücudun diğer bölgelerine yayılmışsa genellikle tedavi edilemez, ancak normalde uzun süre etkili bir şekilde kontrol edilebilir. Son zamanlarda meme kanserinin erken evrede teşhisini ve doğruluğunu sağlamak amacıyla bilgisayar destekli sistemler geliştirilmektedir. Makine öğrenimi yaklaşımlarıyla geliştirilen bilgisayar destekli sistemler meme kanserinin teşhisindeki sürece büyük katkı sağlamaktadır. Makine öğrenimi yaklaşımlarıyla geliştirilen bilgisayar destekli akıllı ve otomatik tanı sistemleri, analizde önemli araçlardır ve tıp uzmanlarını meme kanseri konusunda destekleyebilmekte ve tıbbi karar verme sürecinde yer almaktadır. Çok sayıda yöntem gösterilmiş olmasına rağmen, yöntemlerin çoğu doğru ve tutarlı bir sonuç sağlayamamaktadır. Ayrıca mevcut sistemler daha yüksek doğruluk oranı ve daha az hesaplama süresi gerektirmektedir. Ancak tüm bu mevcut çalışmalar gene de tutarlı bir doğruluk oranı sağlayamamaktadır. Makine öğreniminin meme kanseri üzerinde temel amacı, bir sistemin insan müdahalesi olmadan öğrenmesini sağlamaktır, bu da karar verme için otomatik bir sistem tasarlamaya yardımcı olmaktadır. Ancak makine öğrenimi modelinin tahmin doğruluğunun iyileştirilmesi büyük bir zorluk ve araştırma boşluğu olduğu görülmüştür. Tüm bunlara rağmen meme kanserinin sınıflandırma zorluğu için çok sayıda makine öğrenimi tekniği sunulmuştur. Bu çalışmadaki veri setleri herkese açık olarak sunulan internet sitelerinden elde edilmiştir. Çalışmada kullanılan 1. veri seti setinde 4024 farklı kişiden 14 özellik bilgisi alınmıştır. Bu bilgiler doğrultusunda 4024 farklı kişinin yaşama ve ölme durumları sınıflandırılmıştır. Çalışmada kullanılan 2. veri seti setinde 286 farklı kişiden 9 özellik bilgisi alınmıştır. Bu bilgiler doğrultusunda 286 farklı kişinin meme kanserinin tekrarlama ve tekrarlamama durumları sınıflandırılmıştır. Çalışmada kullanılan 3. veri seti setinde 116 farklı kişiden 9 özellik bilgisi alınmıştır. Bu bilgiler doğrultusunda 116 farklı kişinin sağlıklı ya da hasta olma durumları sınıflandırılmıştır. Çalışmada kullanılan 4. veri seti setinde 198 farklı kişiden 33 özellik bilgisi alınmıştır. Bu bilgiler doğrultusunda 198 farklı kişinin meme kanserinin tekrarlama ve tekrarlamama durumları sınıflandırılmıştır. Çalışmada kullanılan 5. veri seti setinde 699 farklı kişiden 9 özellik bilgisi alınmıştır. Bu bilgiler doğrultusunda 699 farklı kişinin meme kanserinin iyi huylu veya kötü huylu olma durumları sınıflandırılmıştır. Çalışmada kullanılan 6. veri seti setinde 569 farklı kişiden 30 özellik bilgisi alınmıştır. Bu bilgiler doğrultusunda 569 farklı kişinin meme kanserinin iyi huylu veya kötü huylu olma durumları sınıflandırılmıştır. Bu çalışmada öncelikle veri önişleme ile tüm veri setlerindeki özellik değerleri tanım ve ifadelerine göre incelenip, sayısal ve nominal değerler olarak ayrılmıştır. Sayısal olmayan nominal değerler veri işleme açısından sayısal değerlere atanılmıştır. Sayısal değerler ise olduğu gibi bırakılmış ya da kendi içlerinde gruplandırma yapılmıştır. Daha sonra tüm sisteme Eta özellik seçme algoritması uygulanılmıştır. Daha sonra 6 veri seti üzerinde de sistemin daha verimli çalışabilmesi için veri dengeleme işlemi yapılmıştır. Veri dengeleme işleminden sonra ise veriler eğitim-test olacak şekilde 1. veri setinde, 2. veri setinde ve 4. veri setinde %50-%50, 3. veri setinde %85-%15, 5. veri setinde ve 6. veri setinde ise %80-%20 şeklinde bölünme oranlarına ayrılmıştır. Daha sonra tüm 6 veri seti üzerinde makine öğrenmesi doğrultusunda Ensemble, kNN (k En Yakın Komşu), SVMs (Destek Vektör Makineleri) ve Hibrit Yapay Zeka gibi makine öğrenmesi algoritmaları uygulanılmıştır. Elde edilen sonuçlar ile meme kanseri algoritması oluşturulmuştur ve görüntüler elde edilmiştir. 6 farklı veri setinde de makine öğrenmesi algoritmaları ile doğruluk, özgüllük, duyarlılık, kappa sayısı, F-Score gibi performans değerlendirme kriterleri elde edilmiştir. Tüm veri setlerinde bulunan değerlendirme kriterleri öncelikle hangi veri seti üzerinde çalışma yapıldıysa o veri seti üzerindeki makine öğrenmesi teknikleriyle daha sonra ise tüm veri setleri üzerinde bulunan değerlendirme kriterleri ile karşılaştırma yapılmıştır. Bu çalışmada elde edilen tüm veri setlerinde bulunan sonuçlar karşılaştırıldığında ise en yüksek doğruluk oranı, F-Score, Kappa ve AUC değerleri çalışmada 6. veri seti olarak nitelendirilen Wisconsin Diagnostic Breast Cancer veri setinde Ensemble yöntemi ile %100, en yüksek duyarlılık oranı çalışmada bulunan 6 veri setinden 1. veri seti olarak nitelendirilen Breast Cancer Registry of University Malaya Medical Centre veri setinde Hibrit yöntem ile %100, 2. veri seti olarak nitelendirilen veri setinde SVMs, Ensemble, kNN ve Hibrit yöntemleri ile %100, 3. veri seti olarak nitelendirilen Coimbra veri setinde Ensemble ve Hibrit yöntemleri ile %100, 6. veri seti olarak nitelendirilen Wisconsin Diagnostic Breast Cancer veri setinde Ensemble yöntemi ile %100 ve en yüksek özgüllük oranı çalışmada bulunan 6 veri setinden 3. veri seti olarak nitelendirilen Coimbra veri setinde SVMs, Ensemble ve Hibrit yöntemleri ile %100, 5. veri seti olarak nitelendirilen Wisconsin Breast Cancer veri setinde SVMs, kNN, Ensemble ve Hibrit yöntemleri ile %100, 6. veri seti olarak nitelendirilen Wisconsin Diagnostic Breast Cancer veri setinde Ensemble yöntemi ile %100 olarak bulunmuştur. Bu sonuçlar doğrultusunda Matlab ortamında 6 farklı veri seti üzerinde uygulaması yapılan bu çalışmanın makine öğrenmesi algoritmalarını etkili şekilde kullanıldığı görülmüştür. Sonuç olarak bu çalışmanın farklı makine öğrenmesi teknikleri ile daha yüksek yüzdelerde doğruluk, özgüllük ve duyarlılık oranları bulunabileceğini ispatlanmıştır. Bu durum da çalışmamızın meme kanseri teşhisinde hastalıklı ve sağlıklı kişilerin bulunmasında güvenilir bir çalışma olduğunu ortaya koyarak sağlık alanında daha uygulanabilir ve elverişli bir çalışma olduğunu göstermiştir.