Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması

Sevli, Onur

doi:10.31590/ejosat.553549

Cited by 20 publications

(8 citation statements)

References 35 publications

(26 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Şekil 2. Düşman Sinir Ağları Şematik Gösterimi (Radford & Metz & Chintala;2015) Destek Vektör Makinesi (SVM): "Destek Vektör Makinesi" (SVM), verilerin sınıflandırılması ya da regresyon analizleri için yaygın olarak kullanılan denetimli bir makine öğrenmesidir (Sevli, 2019). Bu sistemde her bir veri için belirli koordinat değerleri vardır ve bu koordinat değerleri n-boyutlu boşluk kadar noktalar çizilerek sınıflandırılır.…”

Section: Onkoloji̇ Alaninda Yapay Zekâunclassified

Artıfıcıal Intellıgence Methods in Oncology

ALP

Akalin

2022

GNJ

View full text Add to dashboard Cite

Artificial intelligence has contributed significantly to solving various medical problems, including cancer, over the past decade. Artificial intelligence is being applied more and more in various fields of cancer research. Today, artificial intelligence methods provide physicians with important privileges in making decisions, providing more effective service to managers and minimizing costs, reducing the workload of healthcare professionals, and receiving the treatment with the highest accuracy rate for the patient and the least error rate. This review can be evaluated in two categories. First of all, common diseases in the field of oncology and the use of artificial intelligence in the field of oncology are supported with examples. In the second category, 23 recent studies in the field of oncology in the literature summary table; artificial intelligence methods are divided into categories and accuracy rates are presented. It is thought that the rapidly developing artificial intelligence technology will continue to have a great impact in the field of cancer in the near future. As a result, it is thought that physicians and researchers should include artificial intelligence training courses in their multidisciplinary study and training curricula, keeping pace with the digitalizing new age in healthcare, with the widespread use of artificial intelligence-based clinical decision support systems, personalized medicine, time in diagnosis and treatment, reducing the error rate and it will provide an important advantage in terms of patient and employee satisfaction and both cost-effective and quality service delivery.

show abstract

Section: Onkoloji̇ Alaninda Yapay Zekâunclassified

Artıfıcıal Intellıgence Methods in Oncology

ALP

Akalin

2022

GNJ

View full text Add to dashboard Cite

show abstract

“…Vapnik ve ekibi tarafından 1990'lı yıllarda Destek Vektör Makinesi (Support Vector Machine) algoritması geliştirilmiştir. Gözetimli makine öğrenmesi algoritmalardan olan Destek Vektör Makinesi, ikili temel sınıfa ait veriler üzerinde istatiksel işlem uygulanması ile birbirinden ayırmak için kullanılır [12].…”

Section: Destek Vektör Makinesiunclassified

Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi

Saygin

Baykara

2021

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Öz: 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.

show abstract

“…The dataset developed by Dr. WH. Wolberg contains 444 benign cases and 239 malignant cases [11]. The 10 features which are measured directly in each cell nucleus and are of different types are as follows:…”

Section: B Wisconsin Breast Cancer Database (Wbcd) Datasetmentioning

confidence: 99%

Performance comparison of Extreme Learning Machines and other machine learning methods on WBCD data set

Keskin

Durdu

Aslan

et al. 2021

2021 29th Signal Processing and Communications Applications Conference (SIU)

View full text Add to dashboard Cite

Breast cancer is one of the most common forms of cancer among women in our country and the world. Artificial intelligence studies are growing in order to reduce the mortality and early diagnosis needed for appropriate treatment. The Excessive Learning Machines (ELM) method, one of the machine learning approaches, is applied to the Wisconsin Breast Cancer Diagnostic (WBCD) dataset in this study, and the findings are compared to those of other machine learning methods. For this purpose, the same dataset is also classified using Multi-Layer Perceptron (MLP), Sequential Minimum Optimization (SMO), Decision Tree Learning (J48), Naive Bayes (NB), and K-Nearest Neighbor (KNN) methods. According to the results of the study, the ELM approach is more successful than other approaches on the WBCD dataset. It's also worth noting that as the number of neurons in the ELM grows, so does the learning ability of the network. However, after a certain number of neurons have passed, test performance begins to decline sharply. Finally, the ELM's performance is compared to the results of other studies in the literature.

show abstract

Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması

Cited by 20 publications

References 35 publications

Artıfıcıal Intellıgence Methods in Oncology

Artıfıcıal Intellıgence Methods in Oncology

Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi

Performance comparison of Extreme Learning Machines and other machine learning methods on WBCD data set

Contact Info

Product

Resources

About