Abstract

Yaygın olarak görülen hastalıklardan biri olan diyabetin prevalansı her yıl artmaktadır. Diyabet hastalığı erken teşhis edilmezse kalp ve damar hastalıklarına, böbrek hastalığına, körlüğe, sinir hasarlarına, felce ve organ yetmezliklerine neden olabilir. Ayrıca bu diyabet hastaları için yapılacak sağlık harcamalarının da 2040 yılında 802 milyon dolar olacağı tahmin edilmektedir. Bu durumlar göz önünde bulundurulduğunda diyabet tanısı için yapılacak çalışmalar oldukça önemlidir. Bu çalışmada, diyabet tanısı için bir karar destek sistemi geliştirmek amacıyla karar ağaçları, k-en yakın komşu, lojistik regresyon, Naive Bayes, rastgele orman, destek vektör makineleri gibi makine öğrenmesi ve çok katmanlı algılayıcı (çKA), evrişimli sinir ağları (ESA), tekrarlayan sinir ağları (RNN) tasarımları olan Basit RNN, Uzun Kısa Dönem Bellek Ağları (LSTM), Geçitli Tekrarlayan Birim (GRU), İki Yönlü Uzun Kısa Dönem Bellek Ağları (BiLSTM), İki Yönlü Geçitli Tekrarlayan Birim (BiGRU), ESA ve RNN hibrit modelleri olan ESA+Simple RNN, ESA+LSTM, ESA+GRU, ESA+BiLSTM ve ESA+BiGRU gibi derin öğrenme yöntemleri kullanılmıştır. Makine öğrenmesi tabanlı sınıflandırıcılar içerisinde en yüksek sınıflandırma performansını %98.10 doğruluk oranı ve %98.00 F1- skoru ile DVM elde etmiştir. Derin öğrenme tabanlı sınıflandırıcılar içerisinde en yüksek sınıflandırma performansını %99.50 doğruluk oranı ve %99.30 F1- skoru ile ESA+BiGRU hibrit modeli elde etmiştir. Genel analizde ise, derin öğrenme tabanlı sınıflandırıcıların makine öğrenmesi tabanlı sınıflandırıcılara göre daha iyi performans göstermiştir. Ek olarak CNN ve RNN tasarımlarının hibrit modelleri, yalın modellere göre daha iyi sınıflandırma performansına sahiptir.

References

[1] Diabetes. Accessed July 29, 2021. https://www.who.int/news-room/fact-sheets/detail/diabetes

[2] Ogurtsova K, da Rocha Fernandes JD, Huang Y, et al. IDF Diabetes Atlas: Global estimates for the prevalence of diabetes for 2015 and 2040. Diabetes Res Clin Pract. 2017;128:40-50. doi:10.1016/j.diabres.2017.03.024

[3] Han Cho N. IDF Diabetes Atlas 2019.; 2019.

[4] Deperlioglu ö, Köse U. Diagnogsis of Diabete mellitus Using Deep Neural Network. In: 2018 Medical Technologies National Congress, TIPTEKNO 2018. Institute of Electrical and Electronics Engineers Inc.; 2018. doi:10.1109/TIPTEKNO.2018.8596975

[5] Punthakee Z, Goldenberg R, Katz P. Definition, Classification and Diagnosis of Diabetes, Prediabetes and Metabolic Syndrome. Can J Diabetes. 2018;42:S10-S15. doi:10.1016/j.jcjd.2017.10.003

[6] Islam MMF, Ferdousi R, Rahman S, Bushra HY. Likelihood Prediction of Diabetes at Early Stage Using Data Mining Techniques. In: Advances in Intelligent Systems and Computing. Vol 992. Springer, Singapore; 2020:113-125. doi:10.1007/978-981-13-8798-2_12

[7] Harris MI, Klein R, Welborn TA, Knuiman MW. Onset of NIDDM occurs at least 4-7 yr before clinical diagnosis. Diabetes Care. 1992;15(7):815-819. doi:10.2337/diacare.15.7.815

[8] Joshi TN, Chawan PM. Diabetes Prediction Using Machine Learning Techniques. Ijera. 2018;8(1):9-13. doi:10.9790/9622-0801020913

[9] Sapon MA, Suehazlyn Z, Ismail K, Zainudin S. Prediction of Diabetes by using Artificial Neural Network. In: In Proceedings of the 2011 International Conference on Circuits, System and Simulation, Singapore. ; 2011:299-303.

[10] Ahmed TM. Developing a predicted model for diabetes type 2 treatment plans by using data mining. J Theor Appl Inf Technol. 2016;90(2):181-187.

[11] Köse U. Zeki Optimizasyon Tabanlı Destek Vektör Makineleri ile Diyabet Teşhisi. J Polytech. 2018;22(3):557-566. doi:10.2339/politeknik.418851

[12] Dua D, Graff C. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science. 2019