LSTM Tabanlı Derin Ağlar Kullanılarak Diyabet Hastalığı Tahmini

Abstract

Anahtar Kelimeler Uzun kısa süreli bellek, Diyabet tahmini, Evrişimsel sinir ağ Öz: Diyabet, vücudun yeterli miktarda insülini üretmemesi veya iyi kullanamadığı durumda kan şekerinin normalin üstüne çıkması ile ortaya çıkan bir hastalıktır. Kan şekeri insanların ana enerji kaynağıdır ve bu enerji tüketilen yiyeceklerden gıdalardan gelir. Bu hastalık tedavi edilmez ise ölümcül olabilir. Ancak, erken tanı konulup tedaviye başlandığında tedavisi en olanaklı hastalıklardan biridir. Geleneksel diyabet teşhis süreci zorlu olduğundan, diyabetin klinik ve fiziksel verileri kullanılarak yapay sinir ağı, görüntü işleme ve derin öğrenme gibi sistemler kullanılarak hastalık teşhis edilebilmektedir. Bu araştırmada diyabet teşhisi için derin öğrenmeye dayalı bir model sunulmaktadır. Bu bağlamda Evrişimsel Sinir Ağı (ESA), Uzun Kısa Süreli Bellek (Long-short Term Memory Networks-LSTM) modelinin hibrit kullanımı sınıflandırma için tercih edilmiştir. Ayrıca ESA ve LSTM modelleri deneylerde ayrı ayrı kullanılmıştır. Önerilen modelin performansını değerlendirmek için literatürde yaygın olarak kullanılan Pima Indians Diabetes veri seti kullanılmıştır. En yüksek sınıflandırma başarısı %86,45 olarak ESA+LSTM modelinden elde edilmiştir.

Şeker hastalığı teşhisi ve önerilen modellerinin karşılaştırılması

“…Farklı bir çalışmada ise şeker hastalığının tahmini için Er ve ark. ESA (Evrişimli Sinir Ağı) ve LSTM (Uzun/Kısa Süreli Bellek) modellerini kullanılmışlardır [16]. Araştırmacılar veri kümesi üzerinde iki deney yapmışlardır.…”

“…İlk deneyin sonucunda ESA modelinde %82.47 doğruluk LSTM modelinde %83.77 doğruluk elde etmişlerdir. İkinci deneylerinde ise veri kümesini %80 eğitim, %20 test verisi olacak şekilde bölmüşlerdir ve bu deney sonucunda ESA modelinde %83.25 doğruluk LSTM modelinde ise %85.21 doğruluk elde etmişlerdir [16]. Aynı zamanda önermiş oldukları ESA+LSTM hibrit modeli veri kümesinin %70 eğitim, %30 test verisi olarak ayrıldığı deneyde %85.21 doğruluk oranı %80 eğitim, %20 test verisi olarak ayrıldığı deneyse ise %86.45 doğruluk oranı vermiştir [16].…”

“…İkinci deneylerinde ise veri kümesini %80 eğitim, %20 test verisi olacak şekilde bölmüşlerdir ve bu deney sonucunda ESA modelinde %83.25 doğruluk LSTM modelinde ise %85.21 doğruluk elde etmişlerdir [16]. Aynı zamanda önermiş oldukları ESA+LSTM hibrit modeli veri kümesinin %70 eğitim, %30 test verisi olarak ayrıldığı deneyde %85.21 doğruluk oranı %80 eğitim, %20 test verisi olarak ayrıldığı deneyse ise %86.45 doğruluk oranı vermiştir [16]. PID veri kümesinin çalışmaya dâhil edildiği bir diğer çalışmada ise XGBoost ve Karar Ağacı tabanlı algoritmalar kullanılmıştır [17].…”

Investigation Of Diabetes Data with Permutation Feature Importance Based Deep Learning Methods

“…As a result, it is thought that different advanced mechanisms and various software-based algorithms are required for automatic diagnosis and early detection of diseases with better accuracy. For example, the development of machine learning algorithms helps to process large amounts of data and extract the underlying data model that facilitates decision making (Er and Işık 2021).…”

Diyabet tanısının tahminlenmesinde denetimli makine öğrenme algoritmalarının performans karşılaştırması

“…Pima veri setiyle uygulama yapan Walia ve arkadaşları (2018) J48 karar ağacı, çok katmanlı algılayıcı, Naïve Bayes ve PART algoritmalarını kullanırken; Joshi ve Shetty (2015) J28, Bayes yaklaşımı, rasgele orman, Naïve Bayes, rasgele ağaç, REP, CART, birleşmeli kural öğrenme ve k-en yakın komşuluk algoritmaları ile algoritmaların performanslarını kıyaslamışlardır (Walia vd., 2018;Joshi & Shetty, 2015). Bir başka çalışmada ise, Pima veri setinde evrişimsel sinir ağı ve uzun kısa süreli bellek ağları modellerinin hibrit olarak kullanıldığı yaklaşımla %86,45 oranında sınıflandırma başarısı elde edilmiştir (Er & Işık, 2021). Cihan ve Coşkun (2021) ise çalışmalarında, k-en yakın komşuluk, Naïve Bayes, lojistik regresyon, karar ağacı, destek vektör makinesi, rassal orman ve yapay sinir ağı algoritmalarını kullanarak Pima veri serinde uygulama yapmışlar ve lojistik regresyon yönteminin en yüksek performans değerlerine sahip olduğunu belirtmişlerdir (Cihan & Coşkun, 2021).…”