Journals / Mugla Journal of Science and Technology / 2018 / Cilt: 4 - Sayı: 1
PERFORMANCE OF MACHINE LEARNING METHODS IN DETERMINING THE AUTISM SPECTRUM DISORDER CASES
- Pages
- 79–84
- DOI
- —
Abstract
Autism spectrum disorder (ASD) is an inherited and neurological developmental disorder characterized by poor social interaction and communication weaknesses. In addition to the clinical methods, machine learning methods have been successfully applied to shorten the duration of the diagnosis and to increase the performance of the diagnosis of the ASD disease. Machine learning methods demonstrate high performance in the diagnosis of diseases with the objective algorithms they offer for the analysis of high-dimensional and multimodal biomedical data. Machine learning methods are successful in identifying the behavioral disorders such as OSB that include heterogeneous conditions because they capture the multivariate relationships in the data and therefore can detect subtle differences in data. In this study, analyzes are performed for the fast and accurate diagnosis of the ASD status using support vector machines (SVM), k-nearest neighbors (kNN) and random forest (RF) machine learning methods using ASD adolescent scan data and the performance of these methods are compared. Accuracy rates of 95%, 89%, and 100% are achieved as a result of binary classification with 10-fold cross-validation (CV) using SVM, kNN, and RF methods, respectively. Furthermore, 100% sensitivity and specificity values were obtained from the classification with RF method. With this study, it has been shown that ASD cases can be detected with complete success as a result of classification with RF method using ASD adult screening data.
Özet
Otizm spektrum bozukluğu (OSB) sosyal etkileşim ve iletişim zayıflıkları şeklinde ortaya çıkan kalıtsal ve nörolojik bir gelişimsel bozukluktur. OSB hastalığının teşhisi için klinik yöntemlerin yanında teşhis süresini kısaltmak ve başarımı artırmak için makine öğrenmesi yöntemleri de başarıyla uygulanmaktadır. Makine öğrenmesi yöntemleri yüksek boyutlu ve çeşitli biyomedikal verilerin analizi için sundukları objektif algoritmalar ile hastalıkların teşhisi konusunda yüksek performans göstermektedir. Makine öğrenmesi yöntemleri, verilerdeki çok değişkenli ilişkileri yakaladığı ve bu nedenle verilerdeki ince farkları tespit edebildiği için OSB gibi heterojen durumlar içeren davranışsal bozuklukların tespit edilmesinde başarılı olmaktadır. Bu çalışmada OSB ergen tarama verileri kullanılarak destek vektör makineleri (DVM), k-en yakın komşu (kNN) ve rastgele orman (RO) makine öğrenmesi yöntemleriyle OSB durumunun hızlı ve doğru olarak teşhis edilmesine yönelik analizler yapılmış ve bu yöntemlerin performansları karşılaştırılmıştır. DVM, kNN ve RO yöntemleri kullanılarak 10-kat çapraz doğrulama ile yapılan ikili sınıflandırma işlemi sonucunda sırasıyla %95, %89 ve %100 doğruluk oranlarına erişilmiştir. Ayrıca, RO yöntemi ile yapılan sınıflamadan % 100 duyarlılık ve belirlilik değerleri elde edilmiştir. Bu çalışma ile OSB ergen tarama verilerini kullanarak RO yöntemi ile yapılan sınıflama sonucunda OSB olgularının tam bir başarı ile tespit edilebildiği gösterilmiştir.