Hematolojik hastalıkların teşhisinde yapay zeka tekniklerinin performans karşılaştırması = Performance comparison of artificial intelligence techniques in the diagnosis of hematological diseases

Abstract

Hematolojik hastalıkların en yaygın görülen grubu anemi ve anemi ilişkili hastalıklardır. Dünya Sağlık Örgütü'nün kırmızı kan hücrelerinin veya oksijen taşıma kapasitelerinin yetersiz kaldığı bir durum olarak tanımladığı anemi, özellikle kadınları ve okul öncesi çağdaki çocukları etkilemektedir. Hayat kalitesini önemli oranda düşüren aneminin hem bir hastalık hem de ciddi hastalıklara eşlik eden bir bulgu olması nedeniyle tedavisi çok önemlidir. Etkin bir tedavi için hatasız bir tanı koyma süreci de gerekmektedir. Artan hasta sayısı ve hastanelerdeki yoğunluk, hastaların uzman hekime ulaşmalarını güçleştirmektedir. Bu güçlükler nedeniyle genel sağlık hizmetleri koşullarında anemiyi tanımayı sağlayacak bir sistem kullanışlı olacaktır. Bu sayede birinci basamak sağlık hizmeti sunulan merkezlerde tanı için istenen ilk tetkiklerle beraber geliştirilen sistemin işletilmesi ile bu sağlık merkezlerinde çalışan uzman olmayan personel daha etkin yönlendirme yapacaktır. Bu çalışmada, anemi ve anemi ilişkili hastalıklara tanı koyma sürecinin yapay öğrenme yöntemleri ile gerçekleştirilmesi hedeflenmiştir. Bu çalışma için 12 farklı anemi çeşidine tanı koyabilen bir yapay öğrenme mimarisi geliştirilmiştir. İlk olarak geliştirilen bir ara yüz yardımıyla üzerinde herhangi bir sayısal işlem yapılmamış tamamen orijinal veriler elde edilmiştir. Veriler Düzce Üniversitesi Araştırma ve Uygulama Hastanesi'nden etik kurul izni ile alınmıştır. Sonraki aşamada, bu verilerin ağırlıkları, Bilgi Kazancı, Bilgi Kazancı Oranı, Korelasyon ve Temel Bileşen Analizi teknikleri kullanılarak hesaplanmıştır. Bu hesaplamaların ardından hem orijinal veri seti ile hem de elde edilen öznitelikler kullanılarak oluşturulan yeni veri setleri ile yapay öğrenme tekniklerinden Destek Vektör Makinaları, Karar Ağaçları, Naive Bayes ve Yapay Sinir Ağları yöntemleri uygulanarak sonuçlar değerlendirilmiştir. Tüm modellerde çapraz doğrulama yöntemi kullanılmış ve sonuçlar doğruluk, sınıflandırma hatası, duyarlılık, hassasiyet ve f1-skoru performans göstergeleri ile değerlendirilmiştir. Araştırmada elde edilen bulgulara göre, anemi çeşitlerine tanı koymak için yapay öğrenme yöntemlerinin başarılı sonuçlar verdiği görülmüştür. Ayrıca öznitelik seçme yöntemlerinin sınıflandırma yöntemlerinde başarıyı arttırdığı fakat bu çalışma özelinde yapay sinir ağlarının en başarılı sonucu orijinal veri seti ile verdiği sonucuna varılmıştır.

The most common hematological diseases are anemia and anemia-related diseases. Anemia, defined by the World Health Organization as a condition in which red blood cells or their oxygen-carrying capacity are insufficient, especially affects women and preschool children. Since anemia, significantly reduces the quality of life, is both a disease and a symptom accompanying serious diseases, its treatment can be vital. An accurate diagnosis process is also required for effective treatment. The increasing number of patients and the congestion in hospitals make it difficult for patients to reach expert medical doctors. Because of these difficulties, a system to recognize anemia in general practice conditions would be useful. Using this system with the first examinations requested for diagnosis in the primary health care services are provided, non-specialist personnel working in these health centers will provide more effective guidance. This study aims to perform the diagnosis of anemia and anemia-related diseases with artificial learning methods. For this study, an artificial learning architecture that can diagnose 12 different types of anemia developed. With the help of an interface first, completely original data without any numerical intervention obtained. The data are taken from Düzce University Research and Application Hospital with the permission of the ethics committee. At the next step, the weights of these data calculated using correlation, information gain, information gain ratio, and principal component analysis techniques. After these feature selection calculations, the results are evaluated by applying the methods of Support Vector Machines, Decision Trees, Naive Bayes, and Artificial Neural Networks from artificial learning techniques with the data sets created using both the original data set and the obtained features. The cross-validation method is used in all models and the results are evaluated with accuracy, classification error, AUC, recall, precision, and f-score performance indicators. According to the results obtained in this study, it is seen that artificial learning methods give successful results to diagnose types of anemia. Besides, feature selection methods increase the success in classification methods, but specific to this study, the artificial neural networks gave the most successful result with the original dataset.