Differential Diagnosis of Erythmato-Squamous Diseases Using Classification and Regression Tree

Maghooli, Keivan; Langarizadeh, Mostafa; Shahmoradi, Leila; Habibikoolaee, Mahdi; Jebraeily, Mohamad; Bouraghi, and

doi:10.5455/aim.2016.24.258-262

Cited by 1 publication

(2 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Menai and Altayash [9] Karar ağacı topluluğu %96.72 Polat ve Güneş [10] Karar ağacı sınıflandırıcısı %86.18 K. M., M. L., L. S., M. H., M. J. Ve H. B., [4] CART %93.69…”

Section: çAlışma Metotlar Doğrulukunclassified

“…Bu hastalığın ilerleyen aşamalarda kendine ait spesifik özellikler göstermesine rağmen, ilk aşamalarda başka bir hastalığın belirtileriyle aynı özellikler gösterebileceğinden uygun bir veri analizi yapmak gereklidir. Bu nedenle doğru tanı için bazen biyopsi gerekmektedir [4]. Literatürde, ESD hastalığının teşhisi için veri madenciliği yaygın olarak kullanılmaktadır.…”

Section: Introductionunclassified

See 1 more Smart Citation

Alt Uzay k-NN ile Eritmato-Skuamöz Hastalık Türlerinin Sınıflandırılması

Kaya

2019

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Öz: Veri analiz ve sınıflandırma tekniklerinin gelişmesinin sonucu olarak biyomedikal çalışmalarda akıllı hesaplama yöntemlerinin kullanımı oldukça önemli bir yer tutmaktadır. Eritmato-Skuamöz Hastalığı (ESD), altı çeşidi bulunan dermatoloji alanında büyük öneme sahip bir hastalıktır. Parçacık tanıma, veri madenciliği bileşenin özelliklerini tanımlamaya ve hastalığı teşhis etmeye yardımcı olur. Bu çalışmada UCI veri tabanından alınan veri setinden ESD'nin, Topluluk Öğrenim algoritmalarından alt uzay k-NN ile teşhis edilmesi amaçlanmıştır. Bu amaçla, hem klinik hem de histopatolojik özellikleri bir arada bulunduran ESD verileri ilk önce z normalizasyonu ile normalize edilmiştir. Normalize edilen veriler daha sonra alt uzay k-NN algoritması ile çapraz doğrulama uygulanarak sınıflandırılmıştır. Model başarım ölçütü için doğruluk, kesinlik, hassasiyet, F ölçütü ve Kappa katsayısı parametreleri kullanılmıştır ve sonuçlar yorumlanmıştır. Önerilen modelin doğruluğu %98.045'tir. Sonuçlar, kullanılan sınıflandırıcının ESD hastalık türlerinin sınıflandırılmasında faydalı olabileceğini göstermiştir. Ayrıca veri sayısının artırılarak derin öğrenme algoritmaları ile daha iyi sonuçlar alınabileceği öngörülmektedir Anahtar kelimeler: Topluluk öğrenimi, Eritmato-Skuamöz Hastalığı, Alt uzay k-NN.Abstract: As a result of the development of data analysis and classification techniques, the use of intelligent calculation methods in biomedical studies is very important. Erythmato-Squamous Diseases (ESD) is a disease of great importance in the field of dermatology and which has six types. Particle recognition helps identify the properties of the data mining component and diagnose the disease. In this study, it is aimed to identify ESD from the data set obtained from UCI database with subspace k-NN from Ensemble Learning algorithms. For this purpose, ESD data which includes both clinical and histopathological features were first normalized by z normalization. Normalized data were then classified by applying cross validation with the subspace k-NN algorithm. Accuracy, precision, sensitivity, F score and Kappa coefficient parameters were used for the model performance criterion and the results were interpreted. The success of the proposed model is 98.045%. The results showed that the used classifier is useful in the classification of ESD disease types. In addition, it is predicted that by increasing the number of data, better results can be obtained with deep learning algorithms.

show abstract

“…Menai and Altayash [9] Karar ağacı topluluğu %96.72 Polat ve Güneş [10] Karar ağacı sınıflandırıcısı %86.18 K. M., M. L., L. S., M. H., M. J. Ve H. B., [4] CART %93.69…”

Section: çAlışma Metotlar Doğrulukunclassified

Section: Introductionunclassified

Alt Uzay k-NN ile Eritmato-Skuamöz Hastalık Türlerinin Sınıflandırılması

Kaya

2019

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

show abstract

Differential Diagnosis of Erythmato-Squamous Diseases Using Classification and Regression Tree

Abstract: 24.42) in order to correct prediction of the ESD disease. Conclusions: Results indicated that using of this classifier could be useful. But, it would be strongly recommended that the combination of machine learning methods could be more useful in terms of prediction of ESD.

Cited by 1 publication

References 8 publications

Alt Uzay k-NN ile Eritmato-Skuamöz Hastalık Türlerinin Sınıflandırılması

Alt Uzay k-NN ile Eritmato-Skuamöz Hastalık Türlerinin Sınıflandırılması

Contact Info

Product

Resources

About