Dergiler / ACADEMIC PLATFORM-JOURNAL OF ENGINEERING AND SCIENCE / 2018 / Cilt: 6 - Sayı: 2

Meme Kanseri Tanısı İçin Özniteliklerin Öneminin Değerlendirilmesi Üzerine Bir Çalışma

A Study on Assessing the Importance of Attributes for Breast Cancer Diagnosis

Sayfa
109–115
DOI
—
🏛️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)

Deneysel çalışmalar, Rastgele Orman algoritması kullanılarak en iyi sınıflandırma başarısı ( %98 doğruluk) elde edildiğini göstermiştir

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:En yaygın kanser türlerinden biri olan meme kanseri kadınları etkileyen ölümcül bir hastalıktır.
📊
Temel Bulgular & Veri:Eğitim ve test aşamalarını içeren öğrenme süreci 5 katlı çapraz doğrulama tekniği kullanılarak gerçekleştirilmiştir.
💡
Sonuç & Katkı:Deneysel çalışmalar, Rastgele Orman algoritması kullanılarak en iyi sınıflandırma başarısı ( %98 doğruluk) elde edildiğini göstermiştir
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

En yaygın kanser türlerinden biri olan meme kanseri kadınları etkileyen ölümcül bir hastalıktır. Önerilen çalışmada, Wisconsin meme kanseri veriseti üzerinde öznitelik seçimine dayalı Özyinelemeli Özellik Seçimi metodu kullanılarak özniteliklerin önemliliği araştırılmış ve sonrasında Rastele Orman ve Lojistik Regresyon sınıflandırıcı algoritmaları kullanılarak makine öğrenmeleri gerçekleştirilmiştir. Eğitim ve test aşamalarını içeren öğrenme süreci 5 katlı çapraz doğrulama tekniği kullanılarak gerçekleştirilmiştir. Deneysel çalışmalar, Rastgele Orman algoritması kullanılarak en iyi sınıflandırma başarısı ( %98 doğruluk) elde edildiğini göstermiştir

Abstract

Breast cancer, one of the most common types of cancer, is a deadly disease affecting women. The importance of attributes was investigated by using the Recursive Feature Selection based on feature selection on Wisconsin breast cancer dataset, and then the machine learnings were performed by utilizing Random Forest and Logistic Regression classifier algorithms in the proposed study. The learning process involving training and testing phases was performed by utilizing the 5-fold cross-validation technique. Experimental studies showed that the best classification performance (98% accuracy) was achieved by applying the Random Forest algorithm

🔖

Bu Makaleye Atıf Yap

AKYOL, K. (2018). Meme Kanseri Tanısı İçin Özniteliklerin Öneminin Değerlendirilmesi Üzerine Bir Çalışma. ACADEMIC PLATFORM-JOURNAL OF ENGINEERING AND SCIENCE, Cilt: 6 - Sayı: 2, 109–115. https://ajindex.com/articles/142555

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Breast cancer basics, URL: http://www.webmd.com/breast-cancer/guide/understanding-breast-cancer-basics, (Erişim zamanı; Temmuz, 20, 2017).
  2. A. Jemal, F. Bray, M.M. Center, J. Ferlay, E. Ward, D. Forman, “Global cancer statistics”, CA Cancer J. Clin. 61(2), 69–90, 2011.
  3. E.I. Papageorgiou, J. Subramanian, A. Karmegam, N. Papandrianos, “A risk management model for familial breastcancer: A new application using Fuzzy CognitiveMap method”, Computer Methods and Programs in Biomedicine, 122(2), 123–135, 2015
  4. I. Guyon, J. Weston, S. Barnhill and V. Vapnik, “Gene selection for cancer classification using support vector machines”, Mach Learn 46(1-3), 389-422, 2002. D.W. Hosmer, and S. Lemeshow, “Applied logistic regression, 2nd ed.”, Wiley Series in Probability and Statistics, Canada, 2000. L. Breiman, “Random forests”, Machine Learn, 45, 5-32, 2001. Globocan 2012:
  5. Estimated Cancer Incidince, Mortaliyty and Prevalence Worldwide 2012, URL: http://globocan.iarc.fr/Pages/fact_sheets_cancer.aspx. (Erişim zamanı; 20 June 2017).
  6. M. Powell, F. Jamshidian, K. Cheyne, J. Nititham, L.A. Prebil, R. Ereman, “Assessing Breast Cancer Risk Models in Marin County, a Population With High Rates of Delayed Childbirth”, Clinical Breast Cancer, 14(3), 212-220, 2014. Breast Cancer Risk Assessment Tool for Health Care Providers. Office of Cancer Communication. Bethesda (MD): National Cancer Institute; 1998
  7. N. Elsayegh, A.M. Gutierrez Barrera, K.I. Muse, H. Lin, H.M. Kuerer, M. Helm, J.K. Litton, and B.K. Arun, “Evaluation of BRCAPRO Risk Assessment Model in Patients with Ductal Carcinoma In situ Who Underwent Clinical BRCA Genetic Testing”, Front Genet, 7, 1-7, 2016. The International Breast Cancer Intervention Study, URL: https://www.ibis-trials.org/thetrials/ibistrials/ibis-1, (Erişim zamanı; Nisan, 8, 2018).
  8. A. AlDiab, S. Qureshi, K. Al Saleh, F.H. AlQahtani, A. Aleem, A. AlSaif, V. Qureshi, M.R. Qureshi, “Studies on the methods of diagnosis and biomarkers used in early detection of breast cancer in the Kingdom of Saudi Arabia”, World Journal of Medical Sciences, 8(1), 36-47, 2013.
  9. A. Alharbi, F. Tchier, “Using a genetic-fuzzy algorithm as a computer aided diagnosis tool on Saudi Arabian breast cancer database”, Mathematical Biosciences, 286, 39-48, 2017.
  10. E.C. Porto-Mascarenhas, D.X. Assad, H. Chardin, D. Gozal, G.D. Luca Canto, A.C. Acevedo, E.N.S. Guerra, “Salivary biomarkers in the diagnosis of breast cancer: A review”, Critical Reviews in Oncology/Hematology 110, 62–73, 2017. M. Ram