Bipolar ve unipolar bozuklukların uygun biyobelirteç kullanarak makine öğrenme yöntemleri ile sınıflandırılması

Abstract

Yapay zeka teknolojisinin kullanımı medikal alanda tanı ve karar verme sürecininin daha doğru işleyebilmesi için potansiyel bir alan olarak görülmektedir. Makine öğrenme yaklaşımları yüksek sınıflandırma özelliği ve az özellik ihtiyacı nedeniyle üzerinde durulmaya değerdir. Yapay sinir ağları hedeflenen sonucu elde etmeyi sağlarken, özellik seçimi hastalıkların esas ayırt edici özelliklerini ön plana çıkararak, daha az ayırt edici özellikleri dışarıda bırakmaktadır. Psikiyatri alanında tanı koyma zorlukları olan hastalıklar için bu teknolojilerin kullanılması tıbbi bilişim alanında hatrı sayılır gelişmelere zemin hazırlayacaktır. Günümüzde, Bipolar ve Unipolar bozukluk tanısı en zor konulan ve genellikle yanlış veya geç tanı konulan hastalıklar arasındadır. Çoğunlukla, bipolar hastalarının unipolar bozukluk tanısı alması, doğru tanı sürecinin gecikmesinin yanı sıra yanlış tedavi yöntemlerinin uygulanmasına neden olmaktadır. Hastalığın teşhis ve tedavisinde erken tanının önemini vurgulayan çalışmalar göz önünde bulundurulduğunda, etkili ve net bir tedavi planının oluşturulması için tanı yöntemlerinin geliştirilmesi önemli bir ihtiyaçtır. Kantitatif elektroensefalografi (EEG)'nin psikiyatri ve nöroloji alanında biyobelirteç olarak kullanılması, EEG'nin önemini oldukça arttırmıştır. Bu çalışma, iki aşamalı hibrid bir metodolojinin tanı sürecinde kullanılmasına ilişkin potansiyel bir model sunar. Genetik algoritma, yapay sinir ağları (YSA) ve çapraz doğrulama yaklaşımının dikkat çekici performansı beyin frekans dalgarından seçilen özellikleri kullanarak, 31 bipolar ve 58 unipolar hastasını % 94.44 doğruluk oranıyla ayırt etmenin mümkün olduğunu göstermiştir.Anahtar Kelimeler: Yapay zeka, Yapay sinir ağı, Genetik algoritma, Çapraz doğrulama, Unipolar ve bipolar bozukluk

The use of artificial intelligence technology is seen as a potential area in the medical field for the more accurate functioning of the diagnosis and decision making process. Machine learning approaches are worth considering because of their high classification feature and little need for feature. While artificial neural networks provide a targeted result, the choice of features excludes less distinctive features by highlighting the main distinguishing features of the diseases. The use of these technologies for diseases with diagnostic difficulties in the field of psychiatry will provide a basis for significant developments in the field of medical informatics. Today, the diagnosis of bipolar and unipolar disorders is one of the most difficult and often diagnosed as wrong or late. Often, the diagnosis of unipolar disorder causes the delay of the correct diagnosis process and improper treatment. Considering the studies that emphasize the importance of early intervention in the diagnosis and treatment of the disease, the development of diagnostic methods for establishing an effective and clear treatment plan is an important need. The use of quantitative electroencephalography (EEG) in the field of psychiatry and neurology as a biomarker has increased the importance of EEG. This study presents a potential model for the use of a two-stage hybrid methodology in the diagnostic process. Significant performance of the genetic algorism, artificial neural network (ANN) and cross-validation approach showed that it was possible to distinguish 31 bipolar and 58 unipolar patients with a accuracy of 94.44 % by using the features selected from the brain frequency wave.Keywords: Artificial intelligence, Artificial neural network, Genetic algorism, Cross validation, Bipolar and unipolar disorders.