Abstract

Makine öğrenmesi yöntemlerinin sınıflandırma ve tanımlama açısından başarısının artması, bilgisayar teknolojisine karar verme yeteneği kazandırmış ve analiz yapma metotlarını geliştirmiştir. Makine öğrenmesi yöntemlerinin bu avantajları, medikal alanda hastalıkların teşhis ve tedavi süreçlerinde uzmanlara yardımcı olabilecek gelişmiş karar destek sistemlerini ortaya çıkarmıştır. Kanser teşhisi süreçlerinde kullanımı oldukça yaygınlaşan makine öğrenmesi yöntemleri, sonuç çıkarımında önemli roller üstlenmektedir. Meme kanseri, kadınlar arasında en yüksek ölüm oranına sahip kanser türü olmakla birlikte dünyada görülen en yüksek ikinci kanser türüdür. Hasta sayısı dolayısı ile elde edilen verilerin büyüklüğü göz önünde tutulduğunda, bu verilerin hızlı bir şekilde analizinin yapılması, hastalığın erken teşhisi için önemli bir adımdır. Bu çalışmada, 699 hastadan toplanılmış görüntülerin sayısallaştırılması ile elde edilen 10 adet öznitelik içeren Wisconsin Üniversitesi meme kanseri veri seti, K en yakın komşu ve karar ağacı algoritmalarının çeşitli parametreleri değiştirilerek sınıflandırılması yapılmıştır. Eğitim ve test verileri çapraz doğrulama ile karşılaştırılmış ve en yüksek sınıflandırma başarısı %97,30 ile K en yakın komşu algoritması ile elde edilmiştir.

References

[1] Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A. (2018). Globalcancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36cancers in 185 countries. CA: a cancer journal for clinicians, 68(6), 394-424.
[2] Chang, R. F., Wu, W. J., Moon, W. K., & Chen, D. R. (2005). Automatic ultrasoundsegmentation and morphology based diagnosis of solid breast tumors. Breast cancer researchand treatment, 89(2), 179.
[3] Kourou, K., Exarchos, T. P., Exarchos, K. P., Karamouzis, M. V., & Fotiadis, D. I. (2015).Machine learning applications in cancer prognosis and prediction. Computational andstructural biotechnology journal, 13, 8-17.
[4] Kuhl, C. K., Schrading, S., Leutner, C. C., Morakkabati-Spitz, N., Wardelmann, E.,Fimmers, R., ... & Schild, H. H. (2005). Mammography, breast ultrasound, and magneticresonance imaging for surveillance of women at high familial risk for breast cancer. Journalof clinical oncology, 23(33), 8469-8476.
[5] Wawre, S. V., & Deshmukh, S. N. (2016). Sentiment classification using machine learningtechniques. International Journal of Science and Research (IJSR), 5(4), 819-821.
[6] Geppert, H., Vogt, M., & Bajorath, J. (2010). Current trends in ligand-based virtualscreening: molecular representations, data mining methods, new application areas, andperformance evaluation. Journal of chemical information and modeling, 50(2), 205-216.
[7] Al-Maolegi, M., & Arkok, B. (2014). An improved Apriori algorithm for association rules.arXiv preprint arXiv:1403.3948.
[8] Wolberg, W. H., & Mangasarian, O. L. (1990). Multisurface method of pattern separationfor medical diagnosis applied to breast cytology. Proceedings of the national academy ofsciences, 87(23), 9193-9196. Veri Seti URL: https://archive.ics.uci.edu/ml/machinelearning-databases/breast-cancer-wisconsin/ ,Erişim Tarihi: 22.10.2019
[9] Dudani, S. A. (1976). The distance-weighted k-nearest-neighbor rule. IEEE Transactions onSystems, Man, and Cybernetics, (4), 325-327.
[10] Muja, M., & Lowe, D. G. (2009). Fast approximate nearest neighbors with automaticalgorithm configuration. VISAPP (1), 2(331-340), 2.
[11] Bhatia, N. (2010). Survey of nearest neighbor techniques. arXiv preprint arXiv:1007.0085.
[12] Liu, H., & Zhang, S. (2012). Noisy data elimination using mutual k-nearest neighbor forclassification mining. Journal of Systems and Software, 85(5), 1067-1074.
[13] Kotsiantis, S. B. (2013). Decision trees: a recent overview. Artificial Intelligence Review,39(4), 261-283.
[14] Danacı, M., Çelik, M., & Akkaya, A. E. (2010). Veri madenciliği yöntemleri kullanılarakmeme kanseri hücrelerinin tahmin ve teşhisi. Akıllı Sistemlerde Yenilikler ve UygulamaSempozyumu, 21-24.
[15] Bhargava, N., Sharma, G., Bhargava, R., & Mathuria, M. (2013). Decision tree analysis onj48 algorithm for data mining. Proceedings of International Journal of Advanced Researchin Computer Science and Software Engineering, 3(6).
[16] Polat, K., & Güneş, S. (2007). Classification of epileptiform EEG using a hybrid systembased on decision tree classifier and fast Fourier transform. Applied Mathematics andComputation, 187(2), 1017-1026.
[17] Rokach, L., & Maimon, O. Z. (2008). Data mining with decision trees: theory andapplications (Vol. 69). World scientific.
[18] Arlot, S., & Celisse, A. (2010). A survey of cross-validation procedures for model selection.Statistics surveys, 4, 40-79.
[19] Abdel-Zaher, A. M., & Eldeib, A. M. (2016). Breast cancer classification using deep beliefnetworks. Expert Systems with Applications, 46, 139-144.