Prostate Cancer Diagnosis With Machine Learning Methods On Microarray Data Reduced In Dimension Using Particle Swarm Optimization

Abstract

ÖZETMikrodizi verilerine dayanan veri madenciliği analizi, hastalık teşhisi ve farmakoloji alanlarında kullanılmaktadır. Analiz aşamasında yaşanan en önemli zorluk, mikrodizilerin yüksek boyutlu olması ve çok sayıda gereksiz öznitelik içermesidir. Bu nedenle çalışmada kullandığımız prostat kanseri mikrodizi veri kümesi üzerinde öznitelik boyut azaltılması amacıyla Temel bileşenler analizi (TBA) ve Parçacık sürü optimizasyonu (PSO) kullanılmıştır. Bu sayede hastalıkları etkileyen genler tespit edilmektedir. Boyutu azaltılmış veri kümeleri Destek Vektör Makinesi ve k-En Yakın Komşuluk sınıflayıcı yöntemlerine giriş olarak verilmiş ve sınıflandırma başarı sonuçları değerlendirilmiştir. Sonuç olarak PSO boyut azaltma yöntemi ile prostat kanserinde etkin genler belirlenmiş ve 50 öznitelik ile %95.77 başarı elde edilmiştir.ABSTRACT Data mining analysis based on microarray data is used in disease diagnosis and pharmacology. The major challenge in the analysis phase is the high dimension of microarrays and the large number of unnecessary features. For this reason, Principle Component Analysis (PCA) and Particle Swarm Optimization (PSO) were used to reduce the feature dimension on the prostate cancer microarray dataset used in the study. In this way, genes that affect diseases are determined. Dimension reduced data sets are given as input to Support Vector Machine and k-Nearest neighbor classification methods and classification success results are evaluated. Finally, active genes in prostate cancer were identified by PSO dimension reduction method and 95.77% success was achieved with 50 attributes.

An application on forecasting for stock market prices: hybrid of some metaheuristic algorithms with multivariate adaptive regression splines

“…Another "best" value that IJICC 16,4 a particle obtained so far in the population tracked by the particle swarm optimizer is the global best called gbest ðP gd Þ. The velocity of each particle in a swarm is given by the following equation (Eberhart and Kennedy, 1995;Dey and Das, 2016;Kılıçarslan et al, 2019).…”

Classifying Microarray Gene Data of Various Cancerous Tissues Using Metric Learning

“…Buna paralel olarak, gelişen mikro dizi teknolojisiyle mikroskopik (çapı 250 mikrondan az) DNA spotları cam ya da silikon bir çip üzerine sistematik bir şekilde dizilerek DNA mikro dizi oluşturulabilmiş, bu sayede hem binlerce genin ifadesi ölçülebilmiş, hemde bu genlerin birbirleriyle etkileşimini anlayabilmek mümkün hale gelmiştir [7]. Bu şekilde ortaya çıkan mikro dizi gen verileri makine öğrenmesi dahil birçok farklı disiplin tarafından çalışılmaya başlanmıştır [7,8].…”

“…Çeşitli kanser dokularına ait mikro dizi gen verilerini makine öğrenmesi/veri madenciliği alanlarına ait gruplama (clustering) algoritmalarıyla anlamakla ve sınıflama (classification) algoritmalarıyla kanser alt türlerini tahmin etmekle ilgili çalışmalar İnsan Genom Projesi ile birlikte başlamış ve günümüze kadar kesintisiz olarak gelmiştir [8,4]. Dahası, son yıllardaki veri depolama ve veri işleme teknolojilerindeki ilerleme ve bollaşma sayesinde bu çalışmalar her zamankinden daha popüler hale gelmiştir.…”

“…Örneğin Kılıçarslan ve ark. [8] Destek Vektör Makineleri ve k-en yakın komşu algoritmalarını prostat kanserine ait mikro dizi gen verileri ile eğiterek prostat kanserini sınıflamaya çalışmış; Haznedar ve ark., [9] ise Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (ANFIS) ve Genetik Algoritma (GA) algoritmalarını birleştirerek oluşturdukları hibrit algoritma ile karaciğer kanserinin alt türlerini sınıflandırmaya çalışmıştır. Uluslararası çapta ise öne çıkan çalışmalardan biri Dwivedi [2] 'nin yapay sinir ağlarını lösemili dokulardan alınmış mikro dizi gen verileri üzerinde eğiterek löseminin iki türü olan akut lenfoblastik lösemi ile akut miyeloid lösemiyi efektif olarak ayrıştırmasıdır.…”

Use of Classification Algorithms in Diagnosis of Hypothyroidism

“…Kılıçarslan vd. [14] çalışmalarında, Parçacık Sürü Optimizasyonu (PSO) ve Temel Bileşenler Analizi (TBA) yöntemleriyle birlikte KNN ve DVM kullanılarak prostat kanseri veri kümesinde öznitelik boyutunu azaltarak prostat kanserinde etkin olan genleri belirlemiştir. Diğer çalışmalardan farklı olarak metin verisi üzerine çalışan Yolcular vd.…”