Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi

Abstract

Karaciğer, vücudumuzda pek çok fizyolojik ve metabolik süreçte hayati görevler üstlenir. Karaciğer eksikliği ya da karaciğerin işlevsel bozuklukları sağlık sorunlarına ve nihayetinde hastalıklara yol açmaktadır. Karaciğer hastalıklarının erken dönemde teşhisi, gereksiz ilaç kullanımını azaltarak hem tedavi süresinin kısaltılmasında hem de karaciğer tahribatının engellenmesinde etkili olabilmektedir. Gelişen teknoloji ile beraber tıp dünyasında makine öğrenmesi yöntemleri hastalıkların teşhisinde büyük bir başarı sağlamaktadır. Bu çalışmada, karaciğer hastalıklarının erken teşhis edilmesinde kullanılması için sarmal (wrapper) özellik seçimi yöntemlerinden İleri Yönde Seçim (SFS) ile veri setinde bulunan en önemli öz nitelikler belirlenmiştir. Belirlenen önemli öz nitelikler üzerinde makine öğrenmesi yöntemleri uygulanarak karaciğer yetmezliği hastalığı teşhis başarıları ölçülmüştür. Makine öğrenmesi yöntemlerinde model iyileştirilmesi yapılarak hastalık teşhis başarıları arttırılmıştır. Elde edilen sonuçlar literatürde bu veri seti ile yapılan diğer çalışmalar ile karşılaştırılmıştır. Indian Liver Patient Dataset (ILPD) üzerinde karaciğer yetmezliği hastalığının tahmini için; Destek Vektör Makinası (SVM), Çok Katmanlı Algılayıcı (MLP), Karar Ağaçları (DT), Lojistik Regresyon (LR) ve Hafif Gradyan Güçlendirme Makinesi Sınıflandırıcısı (LGBM) yöntemleri kullanılmıştır. Kullanılan yöntemlerde en yüksek teşhis başarısı sırasıyla; LGBM %82.12, MLP %81.13, DT %81.13, SVM %77.87 ve LR %77.80 olarak elde edilmiştir. Sonuçlar literatürdeki çalışmalarla kıyas edildiğinde tatmin edici olarak değerlendirilmiştir. Elde edilen modellerin karaciğer hastalığının erken teşhisinde hekimlere destek olabileceği düşünülmektedir.