BİYOMEDİKAL VERİLERİN AKILLI SİSTEMLER İLE SINIFLANDIRMA BAŞARIMLARININ ANALİZİ

Abstract

Medikal enformatik çalışma alanları içinde en popüler alanlardan birisi, biyomedikal verilerin bilgisayar destekli analizidir. Bilgisayar destekli hastalık teşhis sistemi adı verilen uzman sistemler, hastalık teşhisi karar aşamalarında uzman tıp personeline destek olmaktadır. Tıbbi teşhis sürecinin hassasiyetin korunarak hızlandırılması ancak uzman tıp personelinden elde edilen bilgi-beceriyle donanmış uzman yazılım sistemleri ile mümkündür. Literatürde bu amaca uygun olarak tıbbi verilerin akıllı sistem destekli yazılımlar ile analizine ait çok sayıda çalışma yapılmış ve yapılmaktadır.Akıllı sistemler, uzman tıbbi teşhis sistemlerinin en önemli parçasını oluşturururlar. Bir uzman tıbbi teşhis yazılımının hassasiyeti, yazılımın çekirdeği olan akıllı sistemin performansı ile birebir doğru orantılıdır. Bu nedenle, akıllı sistemlerin biyomedikal verilerin analizindeki başarımını etkileyen faktörlerin belirlenmesi, başarımı yüksek tıbbi teşhis yazılımlarının geliştirilmesinde önemli bir aşamadır.Bu tez çalışması, rahim kanseri, prostat kanseri, Parkinson, dermatoloji ve diyabet gibi medikal verilerin otuz beş akıllı sistem algoritmasıyla analizi ve bu algoritmaların sınıflandırma başarım faktörlerinin belirlenmesi hedefiyle gerçekleştirilmiştir. Akıllı sistemlerin medikal veri analizindeki başarımını etkileyebilecek çok sayıda faktörden öznitelik seçimi, verilerin ön-işlemesi, algoritma parametrelerinin değişiminin performansa etkisi ve algoritmaların topluluk öğrenmesi modellerinin geliştirilmesi incelediğimiz faktörlerdir. Yapılan çok sayıda deneysel çalışma bahsi geçen faktörler ile akıllı sistem algoritmalarının sınıflandırma başarımı arasında korelasyon olduğunu göstermiştir. Bu şekilde tıbbi teşhis hassasiyetinde kullanılmak amacıyla üretilecek uzman sistem yazılımlarına ait performansın, öznitelik seçimi, verinin ön-işlemesi ve topluluk öğrenmesi teknikleriyle arttırılabileceği hesapsal olarak gösterilmiştir.Bu çalışmada deneysel olarak test edilen akıllı sistem algoritmaları ve öznitelik seçim yöntemleri Matlab, Weka ve Microsoft Visual Studio yazılım geliştirme ortamlarında gerçekleştirilmiştir.One of the most popular areas of medical informatics is computer assisted analysis of biomedical data. Expert systems that are so called computer based disease diagnosis systems support medicians in disase diagnosis decision making. Fastening the medical decison phase with preserving accuracy is possible with the expert systems that are trained with medicians knowledge and experience. In the literature, there is an aboundant of related work that are suitable for the task of supportive expert systems.Intelligent systems constitute an important part of expert medical decision systems. An expert medical decision system?s accuracy depends on the performance of the intelligent system that is the kernel of the software. Therefore, the accuracy of the expert system is one to one correspondent with the performance of the intelligent system. Hence, it is important to determine the factors that affect the performance of the intelligent systems while analyzing medical data, in order to develop high accurate medical decision systems.This thesis is fulfilled with the aim of determining performance factors of about thirty intteligent system algorithms while analyzing ovarian cancer, prostate cancer, Parkinson disease, dermatology and diabet datasets. We selected feature selection, data pre-processing, algorithm parameter changes and ensemble learning out of so many performance effecting factors for medical data analysis. As a result of many experiments carried out, a correlation is found with the mentioned factors and the performances of the intelligent systems. In this way, it is proved computationaly that the performance of the experts systems to be developed as medical decision systems migth be improved with feature selection, data pre-processing, algorithm parameter change and ensemble learning.In this work, the experimented intelligent system algoritms and feature selection strategies are realized using Matlab, Weka and Microsoft Visual Studio software development environments.