Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemini (ANFIS) Kullanarak Prostat Kanseri Tanısının Değerlendirilmesi: Tanısal Doğruluğun Karşılaştırmalı Analizi

Abstract

Bu çalışma, prostat kanseri teşhis sonuçlarını değerlendirmede Adaptive Neural Fuzzy Inference System’in (ANFIS) uygulamasını araştırmaktadır. Prostat kanseri, erken ve doğru tespitin etkili tedavi için kritik öneme sahip olduğu, küresel olarak erkekler arasında en yaygın kanserlerden biri olmaya devam etmektedir. İlerlemelere rağmen, prostat kanseri teşhisi klinik verilerdeki değişkenlik ve kesin yorumlama ihtiyacı nedeniyle doğası gereği karmaşıktır. Bu araştırmada, bulanık mantık ve sinir ağlarını entegre eden bir hibrit metodoloji olan ANFIS, bir klinik veri setini analiz etmek ve bir teşhis modeli geliştirmek için kullanılmıştır. ANFIS çerçevesi, belirsizlik ve doğrusal olmayan ilişkileri ele almada mükemmeldir ve bu da onu özellikle tıbbi teşhisler için uygun hale getirir. Modelin performansı, doğruluk, duyarlılık ve özgüllük dahil olmak üzere birden fazla değerlendirme metriği kullanılarak titizlikle değerlendirilmiştir. Sonuçlar, ANFIS’in yüksek teşhis doğruluğuna ulaştığını ve geleneksel yöntemlere kıyasla gereksiz biyopsileri %45,45 oranında önemli ölçüde azalttığını göstermektedir. Bu, klinik ortamlarda güvenilir bir karar destek aracı olarak potansiyelini vurgulamaktadır. ANFIS’ten yararlanarak, klinisyenler tanısal hassasiyeti artırabilir, kaynak tahsisini optimize edebilir ve hasta sonuçlarını iyileştirebilir. Çalışma, prostat kanseri yönetimini ilerletmede akıllı sistemlerin dönüştürücü rolünü vurgulamaktadır.

This study explores the application of the Adaptive Neural Fuzzy Inference System (ANFIS) in evaluating prostate cancer diagnosis outcomes. Prostate cancer remains one of the most prevalent cancers among men globally, where early and accurate detection is critical for effective treatment. Despite advancements, diagnosing prostate cancer is inherently complex due to the variability in clinical data and the need for precise interpretation. In this research, ANFIS—a hybrid methodology integrating fuzzy logic and neural networks—was employed to analyze a clinical dataset and develop a diagnostic model. The ANFIS framework excels in handling uncertainty and nonlinear relationships, making it particularly suited for medical diagnostics. The model’s performance was rigorously assessed using multiple evaluation metrics, including accuracy, sensitivity, and specificity. The results demonstrate that ANFIS achieves high diagnostic accuracy, significantly reducing unnecessary biopsies by 45.45% compared to traditional methods. This highlights its potential as a reliable decision-support tool in clinical settings. By leveraging ANFIS, clinicians can enhance diagnostic precision, optimize resource allocation, and improve patient outcomes. The study underscores the transformative role of intelligent systems in advancing prostate cancer management.