KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2026 / Cilt: 25 Sayı: 4

Karaciğer Hastalıklarının Tespiti İçin Makine Öğrenmesine Dayalı Karar Destek Sistemleri

Decision Support Systems Based on Machine Learning for Detection of Liver Diseases

Pınar İlter(İSTİNYE ÜNİVERSİTESİ)0009-0009-4014-8230
Yasin Kırelli(KÜTAHYA DUMLUPINAR ÜNİVERSİTESİ)0000-0002-3605-8621
Sayfa
827–837
Yayın Tarihi
2025-08-04
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Model sonuçları özellik seçimi ve normalizasyonun model doğruluğunu artırmada önemli rol oynadığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İnsan vücudundaki en büyük metabolik organ olan karaciğer, yaşamsal işlevleri yerine getirmesi açısından kritik bir öneme sahiptir.
📊
Temel Bulgular & Veri:Bu hastalıkların çeşitli nedenleri bulunmakta olup teknolojinin sağlık alanındaki etkisi ile hastalıkların analizi ve yönetimi önemli hale gelmiştir.
💡
Sonuç & Katkı:Model sonuçları özellik seçimi ve normalizasyonun model doğruluğunu artırmada önemli rol oynadığını göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Karaciğer Hastalığı Tespiti · Makine Öğrenmesi · Sağlık Verisi

Özet

İnsan vücudundaki en büyük metabolik organ olan karaciğer, yaşamsal işlevleri yerine getirmesi açısından kritik bir öneme sahiptir. Ancak, son yıllarda artan karaciğer hastalıkları toplum sağlığı üzerinde ciddi bir sorun haline gelmiştir. Bu hastalıkların çeşitli nedenleri bulunmakta olup teknolojinin sağlık alanındaki etkisi ile hastalıkların analizi ve yönetimi önemli hale gelmiştir. Karaciğer hastalıklarının çeşitli etkenleri bulunmakla birlikte, bu hastalıkların analizi ve teşhisi önemlidir. Teknolojik gelişmeler, büyük veri setlerinin analizinde makine öğrenimi yöntemlerini kullanmayı mümkün kılar hale getirmiştir. Bu çalışmada karaciğer hastalığı erken teşhisi ve sınıflandırmada makine öğrenmesi teknikleri kullanılmış ve sonuçları değerlendirilmiştir. UCI Machine Learning Repository'de bulunan "ILPD (Indian Liver Patient Dataset)" veri seti ile Lojistik Regresyon, Rastgele Orman, Karar Ağaçları gibi altı farklı modern makine öğrenmesi teknikleri ile değerlerndirilmiştir. Çalışma ek olarak veri ön işleme, özellik seçimi ve normalizasyonun model performansı üzerindeki etkilerini de analiz etmektedir. Model sonuçları özellik seçimi ve normalizasyonun model doğruluğunu artırmada önemli rol oynadığını göstermektedir. Lojistik Regresyon modeli %80 oranında doğruluk ile en iyi performans elde edilmiştir, Rastgele Orman ve AdaBoost gibi diğer algoritmalar da yüksek doğruluk oranlarına ulaşmıştır. Bu araştırma, karaciğer hastalıklarının erken teşhisinde makine öğrenmesi tekniklerinin potansiyelini ortaya koymakta ve gelecekteki çalışmalar için bir temel sunmaktadır.

Abstract

The liver, the largest metabolic organ in the human body, plays a crucial role in maintaining essential functions. However, the rise in liver diseases in recent years has become a significant public health issue. There are various causes of these diseases, and the impact of technology in the health field has become necessary to analyze and manage diseases. Although there are various causes of liver diseases, analyzing and diagnosing them is crucial. Technological developments have made it possible to use machine learning methods to analyze large data sets. In this study, machine learning techniques are used in the early diagnosis and classification of liver disease, and the results are evaluated. The ‘ILPD (Indian Liver Patient Dataset)’ dataset in the UCI Machine Learning Repository has been evaluated using six modern machine learning techniques, including logistic regression, random forest, and decision trees. The study also analyses the effects of data preprocessing, feature selection, and normalization on model performance. Model results show that feature selection and normalization are essential in improving model accuracy. The Logistic Regression model achieved the best performance with an accuracy of 80%, while other algorithms, such as Random Forest and AdaBoost, also achieved high accuracy rates. This research demonstrates the potential of machine learning techniques in the early detection of liver diseases and provides a basis for future work.

🔖

Bu Makaleye Atıf Yap

İlter, P., Kırelli, Y. (2025). Karaciğer Hastalıklarının Tespiti İçin Makine Öğrenmesine Dayalı Karar Destek Sistemleri. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 25 Sayı: 4, 827–837. https://doi.org/10.35414/akufemubid.1580440

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (29)

  1. Calleja-Panero, J. L., Esteban Mur, R., Jarque, I., Romero-Gómez, M., Group, S. R., García Labrador, L., & González Calvo, J. (2024). Chronic liver disease-associated severe thrombocytopenia in Spain: Results from a retrospective study using machine learning and natural language processing. Gastroenterologia y Hepatologia, 47(3), 236–245. https://doi.org/10.1016/j.gastrohep.2023.05.010
  2. Carnazzo, V., Pignalosa, S., Tagliaferro, M., Gragnani, L., Zignego, A. L., Racco, C.,. & Basile, U. (2025). Exploratory study of extracellular matrix biomarkers for non-invasive liver fibrosis staging: A machine learning approach with XGBoost and explainable AI. Clinical Biochemistry, 135, 110861.
  3. Chauhan, R., Sahi, A., Kaur, H., & Avasthi, S. (2025). Machine learning algorithm approach in risk prediction of liver cancer. In Machine Learning Models and Architectures for Biomedical Signal Processing, Academic Press, 547-570.
  4. Chen, W., Zhang, Y. J., Wu, W., Yang, H., & Huang, W. (2024). Machine learning-based predictive model for abdominal diseases using physical examination datasets. Computers in Biology and Medicine, 173, 108249. https://doi.org/10.1016/j.compbiomed.2024.108249
  5. Cohen, J. C., Horton, J. D., & Hobbs, H. H. (2011). Human fatty liver disease: old questions and new insights. Science, 332(6037), 1519–1523.
  6. Ersoy, O. (2012). Karaciğer enzim yüksekliğinin değerlendirilmesi. Ankara Medical Journal, 12(3), 129–135
  7. Eyupoglu, C., & Karakuş, O. (2024). Novel CAD diagnosis method based on search, PCA, and AdaBoostM1 techniques. Journal of Clinical Medicine, 13(10), 2868.
  8. Eyüpoğlu, C. (2020). Kronik böbrek hastalığının erken tanısı için yeni bir klinik karar destek sistemi. Avrupa Bilim ve Teknoloji Dergisi, (20), 448-455.
  9. Guo, W., Shi, Z., Zeng, T., He, Y., Cai, Z., & Zhang, J. (2022). Metabolic study of aristolochic acid I-exposed mice liver by atmospheric pressure matrix-assisted laser desorption/ionization mass spectrometry imaging and machine learning. Talanta, 241, 123261. https://doi.org/10.1016/j.talanta.2022.123261
  10. Haeng Hur, M., Cheuk-Fung Yip, T., Up Kim, S., Woong Lee, H., Ah Lee, H., Lee, H.-C., Lai-Hung Wong, G., Wai-Sun Wong, V., Yong Park, J., Hoon Ahn, S., Kyung Kim, B., Young Kim, H., Seok Seo, Y., Shin, H., Park, J., Ko, Y., Park, Y., Bin Lee, Y., Jong Yu, S., … Lee, J.-H. (2025). Journal Pre-proof A machine learning model to predict liver-related outcomes after the functional cure of chronic hepatitis B including those for text and data mining, AI training, and similar technologies. Journal of Hepatology. 82, 2, 235-244 https://doi.org/10.1016/j.jhep.2024.08.016
  11. Hashem, E. M., & Mabrouk, M. S. (2014). A study of support vector machine algorithm for liver disease diagnosis. American Journal of Intelligent Systems, 4(1), 9–14.
  12. Kistenev, Y. V., Vrazhnov, D. A., Shnaider, E. E., & Zuhayri, H. (2022). Predictive models for COVID-19 detection using routine blood tests and machine learning. Heliyon, 8, 10, e11185 https://doi.org/10.1016/j.heliyon.2022.e11185
  13. Lampignano, L., Tatoli, R., Donghia, R., Bortone, I., Castellana, F., Zupo, R., Lozupone, M., Panza, F., Conte, C., & Sardone, R. (2023). Nutritional patterns as machine learning predictors of liver health in a population of elderly subjects. Nutrition, Metabolism and Cardiovascular Diseases, 33(11), 2233–2241. https://doi.org/10.1016/j.numecd.2023.07.009
  14. Maria Jesi, P., & Antony Asir Daniel, V. (2024). Differential CNN and KELM integration for accurate liver cancer detection. Biomedical Signal Processing and Control, 95, 106419. https://doi.org/10.1016/j.bspc.2024.106419
  15. Otesteanu, C. F., Caldelari, R., Heussler, V., & Sznitman, R. (2024). Machine learning for predicting Plasmodium liver stage development in vitro using microscopy imaging. Computational and Structural Biotechnology Journal, 24, 334–342. https://doi.org/10.1016/j.csbj.2024.04.029
  16. Pan, A., Mukhopadhyay, S., & Samanta, S. (2022). Liver disease detection: evaluation of machine learning algorithms performances with optimal thresholds. International Journal of Healthcare Information Systems and Informatics (IJHISI), 17(2), 1–19.
  17. Priya, M. B., Juliet, P. L., & Tamilselvi, P. R. (2018). Performance analysis of liver disease prediction using machine learning algorithms. Int. Res. J. Eng. Technol, 5(1), 206–211.
  18. Qiu, S., Zhao, Y., Hu, J., Zhang, Q., Wang, L., Chen, R.,. & Han, T. (2024). Predicting the 28-day prognosis of acute-on-chronic liver failure patients based on machine learning. Digestive and Liver Disease, 56(12), 2095-2102.
  19. Saygın, E., & Baykara, M. (2021). Karaciğer yetmezliği teşhisinde özellik seçimi kullanarak makine öğrenmesi yöntemlerinin başarılarının ölçülmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33(2), 367–377.
  20. Tokala, S., Hajarathaiah, K., Gunda, S. R. P., Botla, S., Nalluri, L., Nagamanohar, P., Anamalamudi, S., & Enduri, M. K. (2023). Liver disease prediction and classification using machine learning techniques. International Journal of Advanced Computer Science and Applications, 14, 2. https://dx.doi.org/10.14569/IJACSA.2023.0140299
  21. Wei, H., Luo, S., Bi, Y., Liao, C., Lian, Y., Zhang, J., & Huang, Y. (2024). Plasma microRNA-15a/16-1-based machine learning for early detection of hepatitis B virus-related hepatocellular carcinoma. Liver Research, 8(2), 105–117. https://doi.org/10.1016/j.livres.2024.05.003
  22. Wu, B., & Moeckel, G. (2023). Application of digital pathology and machine learning in the liver, kidney and lung diseases. Journal of Pathology Informatics, 14, 100184. https://doi.org/10.1016/j.jpi.2022.100184
  23. Yan, Y., Chen, Q., Xiang, Z., Wang, Q., Long, Z., Liang, H., Ameer, S., Zou, J., Dai, X., & Zhu, Z. (2024). Amino acid metabolomics and machine learning-driven assessment of future liver remnant growth after hepatectomy in livers of various backgrounds. Journal of Pharmaceutical and Biomedical Analysis, 249, 116369. https://doi.org/10.1016/j.jpba.2024.116369
  24. Yan, Y., Gan, D., Zhang, P., Zou, H., & Li, M. (2024). A machine learning-based predictive model discriminates nonalcoholic steatohepatitis from nonalcoholic fatty liver disease. Heliyon, 10(21), e38848. https://doi.org/10.1016/j.heliyon.2024.e38848
  25. Yavuz, E., & Eyupoglu, C. (2020). An effective approach for breast cancer diagnosis based on routine blood analysis features. Medical & Biological Engineering & Computing, 58(7), 1583-1601.
  26. Yu, R., Huang, Y., Hu, X., & Chen, J. (2024). Analysis of machine learning based integration to identify the crosslink between inflammation and immune response in non-alcoholic fatty liver disease through bioinformatic analysis. Heliyon, 10(14), e32783. https://doi.org/10.1016/j.heliyon.2024.e32783
  27. UCI Machine Learning Repository. Retrieved September 18, 2024, from https://archive.ics.uci.edu/
  28. Carnazzo, V., Pignalosa, S., Tagliaferro, M., Gragnani, L., Zignego, A. L., Racco, C.,. & Basile, U. (2025). Exploratory study of extracellular matrix biomarkers for non-invasive liver fibrosis staging: A machine learning approach with XGBoost and explainable AI. Clinical Biochemistry, 135, 110861.
  29. Qiu, S., Zhao, Y., Hu, J., Zhang, Q., Wang, L., Chen, R.,. & Han, T. (2024). Predicting the 28-day prognosis of acute-on-chronic liver failure patients based on machine learning. Digestive and Liver Disease, 56(12), 2095-2102.