KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2020 / Cilt: 8 - Sayı: 2

Mezotelyoma Hastalığı için Makine Öğrenmesi tabanlı Erken Tanı Sistemi

A Machine Learning Based Early Diagnosis System for Mesothelioma Disease

Zehra KARAPINAR SENTURK
Nagihan CEKİC
Sayfa
1604–1611
Yayın Tarihi
2022-10-12
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)

Sonuçlar, kullanılan farklı makine öğrenmesi yöntemlerinin mezotelyoma tanısı üzerindeki performansını göstermekte ve başarılı bir erken tanı sistemi sunmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Mezotelyoma, tanısından yaklaşık bir yıl sonra hastanın ölümüne sebep olan bir akciğer zarı kanseridir.
📊
Temel Bulgular & Veri:Tanı için farklı biyopsi yöntemleri de vardır.
💡
Sonuç & Katkı:Sonuçlar, kullanılan farklı makine öğrenmesi yöntemlerinin mezotelyoma tanısı üzerindeki performansını göstermekte ve başarılı bir erken tanı sistemi sunmaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Erken tanı · mezotelyoma hastalığı · makine öğrenmesi

Özet

Mezotelyoma, tanısından yaklaşık bir yıl sonra hastanın ölümüne sebep olan bir akciğer zarı kanseridir. Hastalık ağrıya ve nefes darlığına sebep olur. Hastalar geleneksel olarak CT (Bilgisayarlı Tomografi) taraması ve akciğer röntgenine tabi tutulurlar, fakat kesin tanı yöntemi biyopsidir. Tanı için farklı biyopsi yöntemleri de vardır. Hastalığın yaygınlığı dünyada milyonda 1 veya 2 iken Türkiye’de rakamlar korkunçtur. Türkiye’de her yıl beş yüz kişiye mezotelyoma tanısı konmaktadır. Bu ciddi rakamlar mezotelyoma hastalığı için bir erken tanı sistemini çok önemli kılmaktadır. Bu çalışmada, bahsedilen ölümcül hastalık için makine öğrenmesine dayalı bir erken tanı sistemi önerilmiştir. Deneylerde açık kaynaklı bir veri seti kullanılmış ve probleme farklı yöntemler uygulanmıştır. Yöntemlerin değerlendirilmesinde doğruluk ve hassasiyet performans ölçütleri kullanılmıştır. Sonuçlar, kullanılan farklı makine öğrenmesi yöntemlerinin mezotelyoma tanısı üzerindeki performansını göstermekte ve başarılı bir erken tanı sistemi sunmaktadır.

Abstract

Mesothelioma is pleura cancer that cause death in about one year after diagnosis. The disease causes pain and shortness of breath. Patients have a CT (Computed Tomography)-scan and lung x-ray traditionally, but the exact method is biopsy. There are also different biopsy methods for its diagnosis. Its prevalence is one or two in a million around the world, but for Turkey it is disastrous. Five hundred people are diagnosed as mesothelioma every year in Turkey. This serious rate makes early diagnosis systems crucial for mesothelioma. In this paper, a machine learning based early detection system has been proposed for this fatal disease. An open database is used for the experiments and different methods have been applied to the problem of diagnosing mesothelioma disease. Accuracy and sensitivity performance metrics were used for the evaluation of the methods. The results show the diagnostic performance of different machine learning methods and present a successful early diagnosis system.

🔖

Bu Makaleye Atıf Yap

SENTURK, Z. K., CEKİC, N. (2022). Mezotelyoma Hastalığı için Makine Öğrenmesi tabanlı Erken Tanı Sistemi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 8 - Sayı: 2, 1604–1611. https://ajindex.com/articles/494288

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (1)

  1. M. Ergin, “Mesothelioma (Pleura Cancer) in 3 Questions-Turkish Society of Thoracic Surgery,” 2019. [Online]. Available: http://www.tgcd.org.tr/3-soruda-mezotelyoma-akciger-zari-kanseri/. Accessed: 22-Nov-2019 [2] M. A. Kurt and Ü. Yildirim, “Türkiye’de asbest yasağı ve bazı ithal ürünlerde asbest minerallerinin araştırılması,” NGU J. Eng. Sci. Niğde Üniversitesi Mühendislik Bilim. Derg., vol. 5, no. 2, pp. 90–96, 2016. [3] Y. Orgun Tutay, “İstanbul Asbest Raporu,” 2018. [4] M. Abdar, W. Książek, U. R. Acharya, R. S. Tan, V. Makarenkov, and P. Pławiak, “A new machine learning technique for an accurate diagnosis of coronary artery disease,” Comput. Methods Programs Biomed., vol. 179, 2019. [5] S.-H. Wang, P. Phillips, Y. Sui, B. Liu, M. Yang, and H. Cheng, “Classification of Alzheimer’s Disease Based on Eight-Layer Convolutional Neural Network with Leaky Rectified Linear Unit and Max Pooling,” J. Med. Syst., vol. 42, no. 5, pp. 85, 2018. [6] F. Zhang, S. Tian, S. Chen, Y. Ma, X. Li, and X. Guo, “Voxel-Based Morphometry: Improving the Diagnosis of Alzheimer’s Disease Based on an Extreme Learning Machine Method from the ADNI cohort,” Neuroscience, vol. 414, pp. 273–279, 2019. [7] C. Kotsavasiloglou, N. Kostikis, D. Hristu-Varsakelis, and M. Arnaoutoglou, “Machine learning-based classification of simple drawing movements in Parkinson’s disease,” Biomed. Signal Process. Control, vol. 31, pp. 174–180, 2017. [8] L. Parisi, N. RaviChandran, and M. L. Manaog, “Feature-driven machine learning to improve early diagnosis of parKinson’s disease,” Expert Syst. Appl., vol. 110, pp. 182–190, 2018. [9] F. Meriaudeau, “Machine Learning and Deep Learning approaches for Retinal Disease Diagnosis,” Procedia Comput. Sci., vol. 135, pp. 2, 2018. [10] “Cardiovascular diseases.” [Online]. Available: http://www.euro.who.int/en/health-topics/noncommunicable-diseases/cardiovascular-diseases/cardiovascular-diseases2. Accessed: 23-Jan-2019. [11] C. C. Wu et al., “Prediction of fatty liver disease using machine learning algorithms,” Comput. Methods Programs Biomed., vol. 170, pp. 23–29, 2019. [12] M. Nilashi, O. bin Ibrahim, H. Ahmadi, and L. Shahmoradi, “An analytical method for diseases prediction using machine learning techniques,” Comput. Chem. Eng., vol. 106, pp. 212–223, 2017. [13] O. Er, A. C. Tanrikulu, A. Abakay, and F. Temurtas, “An approach based on probabilistic neural network for diagnosis of Mesothelioma’s disease,” in Computers and Electrical Engineering, 2012, vol. 38