Makine öğrenmesi yöntemleri ile tiroit hastalığının teşhisi

Abstract

Anahtar kelimeler: Makine öğrenmesi, yapay zekâ, yapay sinir ağları, çok katmanlı algılayıcı, (Knn) k en yakın komşu, tiroit hastalığı.Günümüz dünyasında bilgisayar teknolojileri kullanımı, toplum ve insan hayatının her alanında vazgeçilmez bir noktaya gelmiştir. Genelde bilgisayar teknolojileri ve özelde yapay zekâ ve yapay sinir ağları alanında son zamanlarda görülen ve artan ivmeyle devam eden hızlı gelişmeler yaşanmaktadır. Sağlık hizmetleri sektörü de bu konularda önemli çalışmalara sahne olmaktadır.Bu çalışmanın amacı yapay sinir ağları teknolojisinin tiroit hastalığı teşhisinde kullanılmasıdır. Tiroit bezi, insan vücudunun boyun bölgesinde bulunur ve beyinde bulunan hipofiz bezinden gelen talimatlarla hormon salgılayarak vücut metabolizmasını düzenler. Tiroit hastalığı, tiroit bezinde oluşan işlev bozukluğu sebebi ile ortaya çıkar. Tiroit bezinin aşırı etkin olması durumunda hipertiroidi hastalığı, gereği kadar etkin olmaması durumunda da hipotiroidi hastalığı ortaya çıkar. Hipertiroidi ve hipotiroidi hastalığının teşhisi T3, T4 ve TSH hormon miktarlarının değerlerine bakılarak yapılabilmektedir. Yapılan çalışmada bu değerler giriş verileri olarak alınmış, çeşitli öğrenme yöntemleriyle hastalık teşhisi yapılarak başarı oranları kıyaslanmıştır.Uygulama farklı kaynaklardan alınan iki veri grubu için ayrı ayrı yapılmıştır. 1. Grup, Sakarya İl Sağlık Müdürlüğünden alınan izinle Sakarya İli Kamu Hastahanelerinden elde edilen 300 kişiye ait verilerden oluşmaktadır. Bu kişilerden 100'ü sağlıklı, 100'ü hipertiroidi ve 100'ü de hipotiroidi hastasıdır. 2. grup UCI machine learning veri tabanından alınan 215 kişiye ait verilerden oluşmaktadır. Bu kişilerden 150'si sağlıklı, 35'i hipertiroidi ve 30'u hipotiroidi hastasıdır. 1. Veri grubunda 3, 2. veri grubunda 5 giriş bulunmaktadır. Her bir veri grubu Weka programı ve Matlab programı Yapay Sinir Ağları Toolbox'ında farklı öğrenme yöntemleri ile eğitilerek sonuçlar analiz edilmiştir. Tiroit Hastalığının teşhisinde Matlab Yapay Sinir Ağları Toolbox'ında eğitim fonksiyonu olarak LM, ağ tipi olarak feedforward ve transfer fonksiyonu olarak tansig kullanılması durumunda en başarılı sonuçlar alındığı görülmüştür.

Keywords: Machine learning, artificial intelligence, artificial neural networks, multilayer perceptron, k nearest neighborhood (Knn), thyroid disease.The use of computer technologies in today's world has become an indispensable point in every aspect of society and human life. In the field of computer technologies in general and artificial intelligence and artificial neural networks in particular, there have been rapid developments that have been observed recently and with increasing acceleration. The health services sector is also the scene of important studies on these issues.The aim of this study is to use artificial neural network technology in the diagnosis of thyroid disease. The thyroid gland is located in the neck region of the human body and regulates body metabolism by secreting hormones by instructions from the pituitary gland in the brain. Thyroid disease is caused by dysfunction of the thyroid gland. Hyperthyroidism occurs when the thyroid gland is overactive, and hypothyroidism occurs if it is not sufficiently effective. Diagnosis of hyperthyroidism and hypothyroidism can be made by looking at the levels of T3, T4 and TSH hormones. In the present study, these values were taken as input data and success rates were compared by diagnosing the disease with various learning methods.The application was conducted separately for two data groups from different sources. 1. Group consists of data of 300 people obtained from Sakarya Public Hospitals with the permission of Sakarya Provincial Health Directorate. Of these, 100 are healthy, 100 are hyperthyroid and 100 are hypothyroid. The second group consists of 215 people from UCI machine learning database. Of these, 150 were healthy, 35 had hyperthyroidism and 30 had hypothyroidism. There are 3 entries in the 1st data group and 5 entries in the 2nd data group. Each data group was trained with different learning methods in the Artificial Neural Networks toolbox of Weka program and Matlab program and the results were analyzed. In the diagnosis of Thyroid Disease, the most successful results were obtained by using LM as the training function, feedforward as the network type and tansig as the transfer function in the Matlab Artificial Neural Networks toolbox.