KaydedilenlerDerginizi ekleyin

Dergiler / Researcher / 2025 / Cilt: 05 Sayı: 01

Meme kanseri teşhisi için yeni bir çok amaçlı Harris Şahin Optimizasyonu algoritması

A new multiobjective Harris Hawk Optimization algorithm for the diagnosis of breast cancer

Alara Sermutlu(TED ÜNİVERSİTESİ)0009-0005-3479-4640
Tansel Dökeroğlu(TED ÜNİVERSİTESİ)0000-0003-1665-5928
Sayfa
17–25
Yayın Tarihi
2025-07-31
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)

Önerilen yaklaşım, tüm veri setleri boyunca seçilen toplam özellik sayısında %31-45 oranında azalma sağlayarak hesaplama maliyetlerini önemli ölçüde düşürmekte ve doğru teşhis oranını %95-97'ye kadar artırmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Oldukça yaygın ve ölümcül bir hastalık olan meme kanseri, dünya genelinde, milyonlarca kadını etkilemektedir.
📊
Temel Bulgular & Veri:Meme kanseri erken teşhisi için özellik tabanlı yöntemler yaygın olarak kullanılmakta olup, en uygun özellik kümesini seçmek önemli ve zorlu bir problemdir.
💡
Sonuç & Katkı:Önerilen yaklaşım, tüm veri setleri boyunca seçilen toplam özellik sayısında %31-45 oranında azalma sağlayarak hesaplama maliyetlerini önemli ölçüde düşürmekte ve doğru teşhis oranını %95-97'ye kadar artırmaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:meme kanseri · Harris Şahini · meta-sezgizel

Özet

Oldukça yaygın ve ölümcül bir hastalık olan meme kanseri, dünya genelinde, milyonlarca kadını etkilemektedir. Meme kanseri erken teşhisi için özellik tabanlı yöntemler yaygın olarak kullanılmakta olup, en uygun özellik kümesini seçmek önemli ve zorlu bir problemdir. Bu çalışmada, uyarlamalı K-En Yakın Komşu sınıflandırıcısı entegre edilmiş yeni bir Çok Amaçlı Harris Şahin Optimizasyonu algoritması sunulmaktadır. Kapsamlı deneyler iki iyi bilinen veri seti üzerinde gerçekleştirilmiştir. Önerilen yaklaşım, tüm veri setleri boyunca seçilen toplam özellik sayısında %31-45 oranında azalma sağlayarak hesaplama maliyetlerini önemli ölçüde düşürmekte ve doğru teşhis oranını %95-97'ye kadar artırmaktadır.

Abstract

Breast cancer, a highly prevalent and life-threatening disease, affects millions of individuals worldwide, particularly women. Feature-based methods are widely employed for early diagnosis of breast cancer, and selecting the optimal feature set remains a significant and challenging problem. In this study, we introduce a novel Multi-objective Harris Hawk Optimization algorithm, which integrates an adaptive K-Nearest Neighbor classifier. Comprehensive experiments were conducted on two well-known datasets. The proposed approach achieves 31-45% reductions in the total number of selected features across all datasets, significantly lowering computational costs and improving the accuracy of diagnostics up to 95-97%.

🔖

Bu Makaleye Atıf Yap

Sermutlu, A., Dökeroğlu, T. (2025). Meme kanseri teşhisi için yeni bir çok amaçlı Harris Şahin Optimizasyonu algoritması. Researcher, Cilt: 05 Sayı: 01, 17–25. https://ajindex.com/articles/1537220

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Liu, Q., Li, X., Liu, H., & Guo, Z. (2020). Multi-objective metaheuristics for discrete optimization problems: A review of the state-of-the-art. Applied Soft Computing, 93, 106382.
  2. Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris Hawks optimization: Algorithm and applications. Future generation computer systems, 97, 849-872.
  3. Dokeroglu, T., Deniz, A., & Kiziloz, H. E. (2021). A robust multiobjective Harris’ Hawks Optimization algorithm for the binary classification problem. Knowledge-Based Systems, 227, 107219.
  4. Piri, J., & Mohapatra, P. (2021). An analytical study of modified multi-objective Harris Hawk Optimizer towards medical data feature selection. Computers in Biology and Medicine, 135, 104558.
  5. Selim, A., Kamel, S., Alghamdi, A. S., & Jurado, F. (2020). Optimal placement of DGs in distribution system using an improved harris hawks optimizer based on single-and multi-objective approaches. IEEE Access, 8, 52815-52829.
  6. Thawkar, S. (2022). Feature selection and classification in mammography using hybrid crow search algorithm with Harris Hawks optimization. Biocybernetics and Biomedical Engineering, 42(4), 1094-1111.
  7. Bandyopadhyay, R., Basu, A., Cuevas, E., & Sarkar, R. (2021). Harris Hawks optimisation with Simulated Annealing as a deep feature selection method for screening of COVID-19 CT-scans. Applied Soft Computing, 111, 107698.
  8. Wolberg, W. (1990). Breast Cancer Wisconsin (Original) [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5HP4Z.
  9. Wolberg, W., Mangasarian, O., Street, N., & Street, W. (1993). Breast Cancer Wisconsin (Diagnostic) [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5DW2B.
  10. Doddipalli, Lavanya & Rani, K. (2011). Analysis of feature selection with classification: Breast cancer datasets. Indian Journal of Computer Science and Engineering (IJCSE). 2. 756-763.
  11. Salama, G. I., Abdelhalim, M. B., & Zeid, M. A. (2012). Breast cancer diagnosis on three different datasets using multi-classifiers. International Journal of Computer and Information Technology, 1(1), 1-10.
  12. Aalaei S, Shahraki H, Rowhanimanesh A, Eslami S. Feature selection using genetic algorithm for breast cancer diagnosis: experiment on three different datasets. Iran J Basic Med Sci. 2016 May;19(5):476-82. PMID: 27403253; PMCID: PMC4923467.
  13. E. Tuba, M. Tuba and D. Simian, "Adjusted bat algorithm for tuning of support vector machine parameters," 2016 IEEE Congress on Evolutionary Computation (CEC), Vancouver, BC, Canada, 2016, pp. 2225-2232, doi: 10.1109/CEC.2016.7744063.
  14. Alkhasawneh, M. S., & Tay, L. T. (2018). A Hybrid Intelligent System Integrating the Cascade Forward Neural Network with Elman Neural Network. Arabian Journal for Science and Engineering, 43(12), 6737–6749. https://doi.org/10.1007/s13369-017- 2833-3
  15. Mushtaq, Z., Yaqub, A., Sani, S., & Khalid, A. (2019). Effective K-nearest neighbor classifications for Wisconsin breast cancer data sets. Journal of the Chinese Institute of Engineers, 43(1), 80–92. https://doi.org/10.1080/02533839.2019.1676658
  16. I. Singh, R. Bansal, A. Gupta and A. Singh, "A Hybrid Grey Wolf-Whale Optimization Algorithm for Optimizing SVM in Breast Cancer Diagnosis," 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC), Waknaghat, India, 2020, pp. 286-290, doi: 10.1109/PDGC50313.2020.9315816.
  17. Wang, S., Wang, Y., Wang, D., Yin, Y., Wang, Y., & Jin, Y. (2020). An improved random forest-based rule extraction method for breast cancer diagnosis. Applied Soft Computing, 86, 105941. https://doi.org/10.1016/j.asoc.2019.105941
  18. Badr, E., Almotairi, S., Abdul Salam, M., & Ahmed, H. (2022). New sequential and parallel support vector machine with grey wolf optimizer for breast cancer diagnosis. Alexandria Engineering Journal, 61(3), 2520-2534. https://doi.org/10.1016/j.aej.2021.07.024
  19. Doddipalli, Lavanya & Rani, K. (2011). Analysis of feature selection with classification: Breast cancer datasets. Indian Journal of Computer Science and Engineering (IJCSE). 2. 756-763.