Possibility prediction of diabetes mellitus at early stage via stacked ensemble deep neural network

Abstract

Diabetes Mellitus is a chronic metabolic disease caused by the deficiency of insülin action or secretion, or both, one of the hormones that balance the blood glocose level. It is one of the health problems that negatively affect people's quality of life. If diabetes is not detected in the early stages, it can cause serious complications such as heart and renal diseases, retinopathy, stroke, digestive disorders, and amputation. Because of the presence of a long asymptomatic period, early detection of diabetes is not realised usually. For this reason, around 50% of diabetic patients are not received a treatment due to undiagnosed at early stages. This situation results other diseases mentioned above, which diabetes causes. On the other hand, ensemble learning is a machine learning model in which multiple models are trained to solve the same problem and combined to achieve better results. Deep neural networks are one of the machine learning algorithms and they are the multi-layered state of artificial neural networks developed inspired by the information processing method of the human brain. In this study, a stacked ensemble-based deep neural network approach is proposed for diabetes possibility assessment in the early stages. The proposed approach was tested on a dataset of 520 patients. As a result, the proposed method achieved the highest success rate with 99.36% accuracy and 99.19% AUC, although the test percentage was kept higher than the prediction studies conducted on the same dataset.

Diyabet, kan glikoz düzeyini dengeleyen hormonlardan birisi olan insülin etkisinin veya salgılanmasının ya da her ikisinin eksikliğinden kaynaklanan kronik metabolik bir hastalıktır. İnsanların yaşam kalitesini olumsuz etkileyen sağlık sorunlarından biridir. Şeker hastalığı erken evrelerde tespit edilmezse kalp ve böbrekhastalıkları, retinopati, felç, sindirim bozuklukları ve ampütasyon gibi ciddi komplikasyonlara neden olabilir. Uzun bir asemptomatik dönemin varlığı nedeniyle, şeker hastalığının erken teşhisi genellikle yapılamamaktadır. Bu nedenle diyabet hastalarının yaklaşık %50'si erken evrede teşhis edilemediği için tedavi alamamaktadır. Bu durum diyabetin neden olduğu yukarıda saydığımız diğer hastalıkları da beraberinde getirir. Öte yandan, toplu öğrenme, aynı sorunu çözmek için birden fazla modelin eğitildiği ve daha iyi sonuçlar elde etmek için birleştirildiği bir makine öğrenimi modelidir. Derin sinir ağları, makine öğrenme algoritmalarından biridir ve insan beyninin bilgi işleme yönteminden esinlenerek geliştirilen yapay sinir ağlarının çok katmanlı halidir. Bu çalışmada, erken aşamalarda diyabet olasılık değerlendirmesi için yığılmış topluluk tabanlı bir derin sinir ağı yaklaşımı önerilmiştir. Önerilen yaklaşım, 520 hastadan oluşan bir veri seti üzerinde test edildi. Sonuç olarak önerilen yöntem, aynı veri seti üzerinde yapılan tahmin çalışmalarına göre test yüzdesi daha yüksek tutulmasına rağmen % 99.36 doğruluk ve % 99.19 AUC ile en yüksek başarı oranını elde etmiştir.