Servikal kanserlerin teşhisinde kullanılan makine öğrenmesi algoritmalarının karşılaştırmalı analizi

Abstract

Serviks (Rahim Ağzı Kanseri) ölüme yol açan ve ölüm oranı en yüksek kanser türlerinden biri olarak görülmektedir. Serviks kanseri kadın kanseri arasında meme kanserinden sonra 2. Sırada yer almaktadır. Günümüzde makine öğrenmesi yöntemlerinin kullanımıyla biyomedikal veri kümelerinin analizi yaygınlaşmıştır. Özellikle kanser gibi habis hastalıkların erken teşhisinde tahminleme sistemleri önemli rol oynamaktadır. Serviks kanseri üzerinde belirlenmiş risk faktörlerine yönelik yapılan tahminler tutarlı olabilmektedir. Bu çalışmada serviks kanserinin teşhisinde kullanılan makine öğrenmesi metotlarının başarıları karşılaştırılmıştır. Çalışmada kullanılan 23 ayrı makine öğrenmesi algoritması, 838 örnek, 32 öznitelik ve 4 hedef değişkenli veri seti üzerinde test edilmiştir. Veri önişleme, özellik seçimi ve sınıflandırma olmak üzere üç aşamadan oluşan analizde sınıflandırma performansları; sınıflandırma doğruluğu, kesinlik, duyarlılık ve F-ölçütü metrikleri kullanılarak analiz edilmiştir. Analiz sonucunda RepTree algoritmasının en başarılı sonuç veren model olduğu belirlenmiştir.

Cervix (Cervical Cancer) is seen as one of the cancer types that causes death and has the highest mortality rate. Cervical cancer is the second most common female cancer after breast cancer. Today, the analysis of biomedical datasets has become widespread with the use of machine learning methods. Prediction systems play an important role in the early diagnosis of malignant diseases such as cancer. Estimates of risk factors for cervical cancer can be consistent. In this study, the success of machine learning methods used in the diagnosis of cervical cancers was compared. 23 different machine learning algorithms used in the study were tested on a data set with 838 samples, 32 features and 4 target variables. Classification performances in the analysis consisting of three stages: data preprocessing, feature selection and classification; Comparisons were made using classification accuracy, precision, sensitivity, and F-criterion metrics. As a result of the analysis, it was determined that the RepTree algorithm was the model that gave the most successful results.