- Journal of Scientific Reports-B
- Sayı: 008
- ANEMİ HASTALIĞININ YAPAY SİNİR AĞLARI YÖNTEMLERİ KULLANILARAK SINIFLANDIRILMASI
ANEMİ HASTALIĞININ YAPAY SİNİR AĞLARI YÖNTEMLERİ KULLANILARAK SINIFLANDIRILMASI
Authors : Nagihan Yağmur, Hasan Temurtaş, Idris Dağ
Pages : 20-34
View : 90 | Download : 87
Publication Date : 2023-12-31
Article Type : Research
Abstract :Hemoglobin değerinin belirli bir referans aralığının altına düşmesiyle ortaya çıkan ve aynı zamanda kansızlık olarak adlandırılan anemi, teşhis ve tedavisi için birçok kan testine, radyolojik görüntülere, tahlillere ihtiyaç duyar. Bu gibi çok fazla üretilen tıbbi verilerin yanında hastalık teşhisinin konulmasında doktor kararı gereklidir. Hastalardan alınan tıbbi veriler işlenerek yeni hasta bireyler için hastalıkların tahminleri yapılabilir ve bu tahminlerle doktorlar için karar destek mekanizmaları kurulabilmektedir. Doktorların hastalar için koyacağı teşhisteki yanılma payını azaltma konusunda oldukça önemli olan bu yöntemler sayesinde sağlık kurumlarındaki veri kayıtlarının değerlendirilmesi hasta ve hastaneler için de önem arz etmektedir. Literatürde anemi hastalığı sınıflandırma problemi için çeşitli yöntemler kullanılmış olup, veri setlerindeki hasta kayıt sayılarının değişiklik göstermesi, kan parametrelerin sayısının ve özelliklerinin farklı olması gibi durumlardan dolayı önerilen algoritmaların performansları veri setlerine göre değişiklik göstermektedir. Bu çalışmada Kaggle veri tabanından alınan anemi veri seti üzerinde kandaki verilere dayalı olarak anemi hastalığı sınıflandırması problemini çözmek amacıyla Yapay Sinir Ağları (YSA) yöntemleri kullanılmıştır. Öğrenmeli Vektör Kuantalama (LVQ), Rekabetçi Katman Sinir Ağı (CLNN), Örüntü Tanıma Yapay Sinir Ağı (PRNN), Kendiliğinden Organize Olan Harita (SOM) yapay sinir ağı yöntemleri kullanılarak başarım oranları hesaplanmıştır. Elde edilen sonuçların doğruluk değerleri ve karışıklık matrisleri verilerek önerilen dört yöntem karşılaştırılmıştır. En iyi başarı performansı %100 hassasiyet ve %99,88 doğruluk, %99,86 özgüllük, %99,43 kesinlik ile PRNN olduğu, onu takiben LVQ olduğu sonucuna ulaşılmıştır.Keywords : Anemi sınıflandırma, öğrenmeli vektör kuantalama, rekabetçi katman sinir ağı, örüntü tanıma yapay sinir ağı, kendiliğinden organize olan harita