Dergiler / El-Cezeri / 2016 / Cilt: 3 - Sayı: 2

Yapay Sinir Ağları İle Göğüs Kanseri Tahmini

Sayfa
0–0
Yayın Tarihi
2016-05-31
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)

Tahmin işi, tasarlanan bir yapay sinir ağına yaptırılmış ve doğruluk oranı %77 olarak bulunmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Dünya Sağlık Örgütü’nün verilerine göre, hem gelişmiş hem de gelişmekte olan ülkelerde, göğüs kanseri kadınlar arasındaki en yaygın kanser türüdür.
📊
Temel Bulgular & Veri:Kentleşme ve batılı hayat tarzına uyum sağlamanın gelişen dünyada bu kanser türünü tetiklediği düşünülmektedir.
💡
Sonuç & Katkı:Tahmin işi, tasarlanan bir yapay sinir ağına yaptırılmış ve doğruluk oranı %77 olarak bulunmuştur.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay sinir ağları · Meme kanseri · Erken tanı

Özet

Dünya Sağlık Örgütü’nün verilerine göre, hem gelişmiş hem de gelişmekte olan ülkelerde, göğüs kanseri kadınlar arasındaki en yaygın kanser türüdür. Kentleşme ve batılı hayat tarzına uyum sağlamanın gelişen dünyada bu kanser türünü tetiklediği düşünülmektedir. Çoğu kanser vakası hastalığın son evrelerinde teşhis edilebilmekte ve tedaviler bu evreden sonra çoğu zaman cevap verememekte ve hasta kayıpları yaşanmaktadır. Bu sebeple, diğer kanser türlerinde olduğu gibi, göğüs kanserinin de erken tanısı hayati önem taşımaktadır.Bu çalışmada, göğüs kanserinin erken tanısına katkıda bulunabilmek amaçlanmıştır. Hastalara belirtileri doğrultusunda göğüs kanseri olup olmadıklarına dair teşhis konulmuştur. Bu amaçla, veritabanında mevcut olan, önceden teşhisi konulmuş vakaların verileri kullanılarak, henüz teşhisi belli olmayan örneklere tahmin yoluyla teşhis konulmuştur. Tahmin işi, tasarlanan bir yapay sinir ağına yaptırılmış ve doğruluk oranı %77 olarak bulunmuştur.

🔖

Bu Makaleye Atıf Yap

ŞENTÜRK, A., ŞENTÜRK, Z. K. (2016). Yapay Sinir Ağları İle Göğüs Kanseri Tahmini. El-Cezeri, Cilt: 3 - Sayı: 2, 0–0. https://ajindex.com/articles/252468

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Hand D.J., Mannila H. ve Smyth P., “Principles of data mining”, 1st Edition, MIT Press Cambridge, (2001). Fausett L., “Fundamentals of neural networks: architectures, algorithms and applications”, 1st Edition,
  2. Prentice-Hall International. (1994). Uncini A., “Audio signal processing by neural Networks”, Neurocomputing, 55 (3-4), sayfa. 593 – 625. (2003). Shi Z. ve He L., “Application of Neural Networks in Medical Image Processing”, Proceedings of the Second International Symposium on Networking and Network Security (ISNNS ’10), China, sayfa. 2-4. (2010).
  3. Ramirez-Quintana J.A., Chacon-Murguia M. I. ve Chacon-Hinojos J. F., “Artificial Neural Image Processing Applications: A Survey”, Engineering Letters, 20 (1), sayfa 68-81. (2012).
  4. Klemm M., Craddock I., Leendertz J., Preece A. ve Benjamin R., “Radar-based breast cancer detection using a hemi-spherical antenna array experimental results”, IEEE Trans. Antennas Propag., 57 (6), sayfa 1692–1704, (2009). Abbosh A., “Early breast cancer detection using Doppler frequency shift”, Asia-Pacific Microwave Conference Proceedings (APMC), Yokohama, sayfa 275-278, (2010).
  5. Chou S. M., Lee T. S., Shao Y. E., Chen I. F., “Mining the breast cancer pattern using artificial neural networks and multivariate adaptive regression splines”, Expert Systems with Applications, 27 (1), sayfa 133-142, (2004). Karabatak M., “Özellik seçimi, sınıflama ve öngörü Uygulamalarına yönelik birliktelik kuralı Çıkarımı ve yazılım geliştirilmesi”, Ph.D. Thesis, Fırat University Institute of Science, Elazığ, (2008).
  6. Nass S., Henderson I. ve Lashof J., “Mammography and Beyond: Developing Technologies for the Early Detection of Breast Cancer”, National Cancer Policy Board, National Academy Press, USA, (2001).
  7. Arbacha L., Stolpenb A. H., Berbaum K. S., Fajardo L. L., Reinhardt J. M., “Breast MRI lesion classification: Improved performance of human readers with a backpropagation neural network computeraided computeraided diagnosis (CAD) system”, J Magnetic Resonance Imaging, 25 (1), sayfa 89-95. (2007).
  8. Abdolmaleki P., Buadu L.D., ve Naderimanesh H., “Feature extraction and classification of breast cancer on dynamic magnetic resonance imaging using artificial neural network”, Elsevier, Cancer Letters, 171 (2), sayfa 183-191, (2001).
  9. Fogel D. B., Wasson E.C., Boughton E.M. ve Porto V.W., “A step toward computerassisted mammography using evolutionary programming and neural Networks”, Cancer Letters, 119 (1), sayfa 93-97, (1997).
  10. Revett K., Gorunescu F.,