Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması

Abstract

Bilgisayarlar insanlara nazaran daha hızlı işlem yapabilmektedir ancak karar verme yetenekleri kısıtlıdır. Günümüz bilgisayarlarının daha iyi analizler yapıp tahminlerde bulunabilmeleri için çeşitli makine öğrenmesi teknikleri geliştirilmektedir. Bu teknikler bilgisayarların karar verme güçlerini arttırmakta ve farklı sahalarda uzmanlara destek sistemlerin geliştirilmesine olanak sağlamaktadır. Makine öğrenmesi tekniklerinin, başarılı sınıflama ve tanılama yetenekleri ile hastalık teşhisinde medikal uzmanlara yardımcı olarak kullanımları hızla artmaktadır. Kanser teşhisinde de kullanımı hızla artan makine öğrenmesi ile başarılı çalışmalar yapılabilmektedir. Göğüs kanseri dünya genelinde en yaygın görülen ikinci kanser türü olup kadınlar arasında kanser kaynaklı en yüksek oranda ölüme sebep olan hastalıktır.   Diğer tüm kanser türlerinde olduğu gibi göğüs kanserinin de erken teşhisi ölüm oranını azaltmada kritik bir öneme sahiptir. Göğüs kanseri tanısı, test sonuçların yorumlanarak teşhis edilmesi uzman insan bilgisine ihtiyaç duymaktadır ancak gelişen makine öğrenmesi teknikleri ile göğüs kanseri teşhisinde başarılı çalışmalar yürütülmektedir. Makine öğrenmesi bilgisayarların mevcut verilerden öğrenerek karmaşık ve büyük veri setleri içerisindeki desenleri hızlı bir şekilde tespit etmesini sağlayan bir yapay zekâ dalıdır. Bu yeteneğinden dolayı makine öğrenmesi kanser tanı ve teşhisinde özellikle göğüs kanseri konusunda da yaygın kullanım alanı bulmaktadır. Bu çalışmada her biri 30 adet özellik içeren ve 569 örnekten oluşan Wisconsin Üniversitesi göğüs kanseri veri seti, beş farklı makine öğrenmesi tekniği ile sınıflandırılmıştır. Veriler rastgele olarak eğitim ve test setlerine ayrılmıştır. Destek vektör makinesi, Naïve Bayes, rastgele orman, K en yakın komşu ve lojistik regresyon metotları ile gerçekleştirilen eğitim sürecinin ardından confusion matrisleri ve roc eğrileri oluşturulmuştur. Her bir tekniğin başarısı karşılaştırılmıştır. Bu karşılaştırmanın sonucunda lojistik regresyonun %98.24 doğruluk ile en başarılı yöntem olduğu ortaya konmuştur.