Makine Öğrenme Yöntemleri ile Semen Kalitesi Tahmini
Authors : Kerim Karadağ
Pages : 306-311
Doi:10.31590/ejosat.668500
View : 6 | Download : 4
Publication Date : 2020-04-15
Article Type : Research
Abstract :Doğurganlık oranları son yıllarda önemli ölçüde azalmıştır. Bu durum özellikle erkeklerde daha fazla görülmeye başlanmış ve kısırlık olarak ifade edilmiştir. Kısırlık, Dünya Sağlık Örgütüne göre seksüel olarak aktif bir çiftin herhangi bir önlem alınmadan bir yıl süreyle düzenli cinsel ilişlkide bulunmasına rağmen gebeliğin oluşmamasıdır. Kısırlık, sebebi ne olursa olsun üreme sağlığı sorunudur. Sperm fonksiyonunun bozulması, erkek kısırlığının en önemli nedenlerinden biridir. Kısırlığın bir diğer etmeni de semen kalitesi ve sperm hareketsizliğidir. Yaşam alışkanlıkları ve çevresel faktörler insanlarda semen kalitesini etkileyip doğurganlık oranını azaltmaktadır. Semen analizi erkek doğurganlık potansiyelinin iyi bir göstergesidir. Bu yüzden spermin hareketliliği, yoğunluğu ve morfolojisi semen analizinde incelenmektedir. Bu analizler uzmanlarca laboratuvar ortamında yapılmaktadır. Laboratuvarda analizler, gözleme dayalı hataya açık ve subjektif olabilmektedir. Bu tür hataları minimize edebilmek için Bilgisayar destekli çalışmalar kullanılmaktadır. Bu çalışmada 100 denekten alınmış semen örnekleri ve yapılan anket sonuçlarına göre oluşturulan veri seti makine öğrenme algoritmaları kullanılarak normal ve değiştirilmiş semen tahmini yapılmıştır. Tahmin modellerinde, Destek Vektör Makineleri, K En Yakın Komşuluk, Doğrusal Ayırt Edici ve Lojistik Regresyon yöntemleri kullanılmıştır. Çalışmada elde edilen performans değerleri, literatürdeki benzer çalışmalarla kıyaslanarak problemin çözümüne ilişkin en uygun tahmin algoritmaları tespit edilmiştir. Bozulmuş ve normal semen örnekleri tahmin yapma işlemi makine öğrenme yöntemleri kullanılarak yapılmış ve iki aşamada değerlendirilmiştir. İlk olarak tüm veri seti kullanılmış ve daha sonra veri seti sayısı eşit alınarak başarı oranları karşılaştırılmıştır. Eğitim ve test işlemi için kullanılan veri seti ilk olarak çapraz doğrulama yapılarak değerlendirilmiş ve daha sonra veri setinin eğitim ve test değerleri %50 %50 alınarak işleme alınmıştır. Sınıflandırma sonuçlarında performans ölçütü olarak, doğru tahmin edilen örneklerin tüm örneklere oranı kullanılmıştır. Tüm veri seti kullanılarak elde edilen başarı sonuçları, Destek Vektör Makineleri ve K En Yakın Komşuluk yöntemleri ile %90 olmuştur. Verisetinde normal ve bozulmuş semen örnekleri eşit olmadığı için sayıca az olan bozulmuş semen örnekleri kadar normal semen örnekleri kullanılmış ve bu şekilde 7 değerlendirme durumu sağlanmıştır. Bu şekilde elde edilen en yüksek başarı oranı 4. değerlendirme durumu için Destek Vektör Makineleri kullanılarak % 91.7 olmuş ve 7 değerlendirme durumu ortalaması için ise en yüksek başarı durumu K En Yakın Komşuluk yöntemi kullanılarak %73,8 olmuştur.Keywords : Semen kalitesi, Makine Öğrenme Algoritmaları, Tahmin