Çeşitli çekirdek fonksiyonları ile oluşturulan destek vektör makinesi modellerinin performanslarının incelenmesi: Bir klinik uygulama

Abstract

Çeşitli Çekirdek Fonksiyonları ile Oluşturulan Destek Vektör MakinesiModellerinin Performanslarının İncelenmesi: Bir Klinik UygulamaAmaç: Bu araştırmanın birincil amacı; çeşitli çekirdek fonksiyonları ileoluşturulan destek vektör makinesi modellerinin, akut koroner sendromlu hastalardadiabetes mellitus'u sınıflandırma performanslarının incelenmesi ve karşılaştırılmasıdır.Bu araştırmanın ikincil amacı ise, destek vektör makinesi modeli oluşturulurkenkullanılan çeşitli çekirdek fonksiyonlarının parametrelerinin optimize edilerek en iyisınıflandırma performansını elde etmeye çalışmaktır.Materyal ve Metot: Bu çalışmada incelenen veriler, İnönü Üniversitesi TurgutÖzal Tıp Merkezi Kardiyoloji Anabilim Dalı için geliştirilen veritabanından geriyeyönelik (retrospektif) olarak seçilmiştir. Çalışmadaki söz konusu veriler akut koronersendromlu hastalarda tip 2 diabetes mellitus ile değişik demografik ve klinik değişkenleriiçermektedir. Akut koroner sendromlu hastalarda tip 2 diabetes mellitus'unsınıflandırılması için Destek Vektör Makinesi modelleri kullanılmıştır. İlgili modeller,ANOVA radyal tabanlı fonksiyon, bessel, doğrusal, Gaussian radyal tabanlı fonksiyon,laplace, polinomiyal ve sigmoid çekirdekleri ile oluşturulmuştur.Bulgular: Laplace çekirdek fonksiyonu ile oluşturulan en iyi sınıflamaperformansına sahip destek vektör makinesi modeline ilişkin doğruluk, ROC eğrisialtında kalan alan, duyarlılık ve özgüllük [seçicilik] ölçütleri ile % 95 güven aralığıdeğerleri sırasıyla; 0.9804 (0.9716 - 0.987), 0.9332 (0.9096 - 0.9567), 0.9999 (0.9791 –1.000) ve 0.9776 (0.9675 – 0.9852) olarak elde edilmiştir.Sonuç: İncelenen değişik çekirdek fonksiyonları ile oluşturulan modeller arasındasöz konusu performans ölçütleri dikkate alındığında, en iyi sınıflama performansı laplaceDestek Vektör Makinesi modelinden elde edilmiştir. İlerleyen çalışmalarda, farklı klinikverilerde değişik çekirdek fonksiyonlu Destek Vektör Makinesi modelleri ile diğermakine öğrenmesi ya da veri madenciliği algoritmalarının kullanılması hastalıklarınsınıflandırma başarısını artırabilecektir.Anahtar Kelimeler: Destek vektör makinesi, çekirdek fonksiyonları, akutkoroner sendromu, Tip II diabetes mellitus.

The Performance Exploration of Support Vector Machines Models Constructedwith Various Kernel Functions: A Clinical ApplicationAim: The primary aim of this study is to examine and compare the classificationperformance of support vector machine models generated by various core functions usedto classify diabetes mellitus in acute coronary syndrome patients. The secondary aim isto optimize the parameters of the various kernel functions which are used for constructingthe support vector machine model and to achieve the best classification performance.Material and Methods: The data examined in this study were selectedretrospectively from the database developed for Inonu University Turgut Ozal MedicalCenter Cardiology Department. The study included type 2 diabetes mellitus and variousdemographic and clinical variables in acute coronary syndrome patients. The SupportVector Machine model was used to classify type 2 diabetes mellitus in acute coronarysyndrome patients. The related models are constructed by ANOVA radial basis function,bessel, linear, Gaussian radial basis function, laplace, polynomial and sigmoid kernelfunctions.Results: The best classification performance was obtained by Support VectorMachine model constructed by laplace kernel function based on the results ofperformance metrics. The accuracy, area under ROC curve, sensitivity and specificitymetrics with 95% CI were calculated as; 0.9804 (0.9716 - 0.987), 0.9332 (0.9096 -0.9567), 0.9999 (0.9791 – 1.000) and 0.9776 (0.9675 – 0.9852), respectively.Conclusion: When the performance metrics were taken into account, the bestclassification performance was achieved from the laplace Support Vector Machinemodel. In subsequent studies, the use of Support Vector Machine models with differentkernel functions and other machine learning or data mining algorithms in different clinicaltrials may improve the classification success of the diseases.Key words: Support vector machine, kernel functions, acute coronary syndrome,type II diabetes mellitus.