Makine Öğrenmesi Algoritmaları Kullanılarak Prostat Kanseri Tümör Oluşumunun İncelenmesi

OpenAlex Turkish

Makine öğrenmesi, bir algoritma veya yöntem kullanarak ham verilerden kalıpları çıkaran bir yapay zeka türüdür. Makine öğrenmesinin temel odak noktası, bilgisayar sistemlerinin açıkça programlanmadan veya insan müdahalesi olmadan deneyimlerden öğrenmesine olanak sağlamaktır. Trafik uyarıları, sosyal medya, ulaşım, ürün önerileri, sanal kişisel asistanlar, otonom arabalar, dinamik ücretlendirme, google çeviri, çevrimiçi video akışı, dolandırıcılık tespiti ve daha birçok kullanım alanı olmakla beraber tıp alanında teşhis ve tedavi süreçlerinde de sıklıkla kullanılmaktadır. Elde edilen tıbbi sonuçlar hastanın yaşam kalitesini arttırmak ve hastalığın durumunu takip etmek için alanında uzman kişilere yardımcı olabilmektedir. İnsanlar için çok çeşitli hastalıklar olmakla birlikte kanser yüksek riskli hastalıkların başında gelmektedir. Prostat kanseri, akciğer kanserinden sonra erkeklerde ikinci sırada yer almaktadır. Yapılan literatür araştırmalarında Prostat Spesifik Antijen, Gleason Skor, Androjen Hormonu ve T Aşaması prostat kanser tespitinde önemli girdiler olmakla beraber yeterli olmadıkları görülmüştür. Bu çalışmada çok boyutlu kanser genomik verilerini keşfetmek için açık bir platform olan cBioPortal veritabanından klinik veriler elde edilmiştir. Elde edilen verilerin daha anlaşılır ve işlenebilir hale getirilmesi için veri ön işleme işlemi gerçekleştirilmiştir. Prostat kanseri olan hasta takiplerinde tümörlü/tümörsüz durumu tahmin edilerek makine öğrenmesi algoritmalarından K-En yakın komşular, Rassal ağaçlar, Gradyan artırma, Destek vektör makinesi, Lojistik regresyon, Naive bayes ve Karar ağaçları sınıflandırma algoritmalarının performansı değerlendirilmiştir. Yapılan önceki çalışmalarda çoğunlukla Rassal ağaçlar algoritmasının daha iyi performans gösterdiği görülmüştür. Ancak klinik verilerle yaptığımız çalışmada sıklıkla kullanılan yedi sınıflandırıcı arasında Gradyan artırma algoritması ile %85.37 doğrulukla daha iyi sonuçlar elde edilmiştir. Özellik seçimi yapılmadan elde ettiğimiz klinik verilerde özellik seçimi ile en iyi alt kümenin seçilmesi işlemi yapılarak sonuçlar iyileştirilebilir.