Comparison of machine learning classifier models for breast cancerprediction
Başlık çevirisi mevcut değil.
- Tez No: 726472
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 43
Özet
Günümüzde bilgisayarların hızlı bilgi işleme yetenekleri birçok sektör tarafından yaygınca kullanılmaktadır ve bunlardan en önemlisi medikal sektördür. Gelişen Makine Öğrenmesi yöntemleri sağlık çalışanlarına karar verme noktasında yarımcı olmaktadır fakat bir profesyonel kararı kadar tamamen güvenilir değildir. Uygun veri ve algoritma ile bir bilgisayar, doktordan daha hızlı hesaplayabilir ve tespit edebilir ki bu erken teşhisin hayat kurtarıcı rolü olan kanser hastaları için vazgeçilemez bir teknolojidir. Kanser teşhisi birçok patolojik veriye ve radyolojik görüntülere dayanan tespiti oldukça zor bir hastalık türüdür. Özellikle meme kanseri, diğer kanser türleri arasında en yaygın olmasıyla öncülük etmektedir. MÖ kullanımı kanser tespitini kolaylaştırabilir ve tedaviye hızlıca başlanabilmesini sağlar. Bu çalışmada, Wisconsin Üniversitesi tarafından araştırma kullanımlarına sunulan, 569 hasta bilgisi ve 30 patolojik özellik içeren veri seti kullanılmıştır. Bu veri seti, K-En Yakın Komşu, Destek Vektör Makineleri, Naïve Bayes ve Rastgele Orman modellerine entegre edilmiştir. Modeller, hata oranları, istatistiksel başarıları ve ROC analizlerine göre karşılaştırılmış ve en performansı model seçilmesi hedeflenmiştir. Sonuçlar incelendiğinde, Rastgele Orman modeli düşük hata oranları ve yüksek ROC değeri ile kullanılması en uygun model olarak seçilmiştir. Alternatif olarak, veri setinin büyümesi öngörüldüğünde K-En Yakın Komşu modeli k=7 katsayısı ile alternatif olarak kullanılması önerilmiştir.
Özet (Çeviri)
Today, computer's processing capabilities realized by several sectors and one of the most important one is healthcare. Healthcare providers trying to take advantage of Machine Learning during the decision, but the technology of machines is still not trustable as human decision. With correct dataset and algorithm, a computer can decide faster than a human. This is an unforeseen benefit for patient treatments, especially who needs to early diagnosis. Cancer is a hardly detected disease which need several pathologic tests and medical images. Breast cancer is leading to worlds cancer rates [1]. As other cancer treatments, early diagnosis can be life saving for breast cancer. By the ML, diagnosis of pathologic results can shorten the time of doubts about malignancy and provide faster start for treatment. In this study, K-Nearest Neighbor, Support Vector Machine, Naïve Bayes, Random Forest models of ML implemented on Wisconsin Breast Cancer dataset which includes 569 anonym patients with their 30 features. These models are compared by their error rates, statistical achievements, ROC curves to define best model. In the result of this study, RF model has the best performance for this model by its low error rates and highest AUC value. K-NN with k= 7, is the best alternative model for this dataset.
Benzer Tezler
- Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması
Classification of breast cancer histopatological images using deep learning methods
KADİR CAN BURÇAK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- Kontrastlı mamografi görüntülerinde benign ve malign meme kitlelerinin radyomik özelliklerinin karşılaştırılması
Comparison of radiomic features of benign and malign breast masses on contrast enhanced mammography images
AYKUT TEYMUR
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpKaradeniz Teknik ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. SİBEL KUL
- Makine öğrenmesi özellik seçimi (anova-boruta) ve sınıflandırma yaklaşımlarıyla pan-kanserde potansiyel mikroRNA biyobelirteçlerinin belirlenmesi
Identification of potential microRNA biomarkers in pan-cancer using machine learning feature selection and classification approaches
MELİKE KILIÇ
- Özellik seçme (FS) ile yapay bağışıklık tanıma sistemi (AIRS) kullanılarak medikal teşhise gidiş
Going to medical diagnosis by using artificial immune recognition systems (AIRS) with feature selection (FS)
KEMAL POLAT
Yüksek Lisans
Türkçe
2004
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF.DR. MUSTAFA ŞAHİN
Y.DOÇ.DR. SALİH GÜNEŞ
- Saldırı tespit sistemleri için makine öğrenme yöntemlerinin performans karşılaştırması
Performance comparison of machine learning methods for attack detection systems
CİHAT GÜRMEN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM BERKAN AYDİLEK