Prenatal risk assessment of down syndrome by probabilistic classifiers

Abstract

Teknolojinin gelişimi ile birlikte Down sendromu gibi genetik düzensizliklerin gebelik sırasında tanımlama yöntemleri oldukça gelişmiştir. Down sendromu teşhisi için fetal doku örneklerini analiz eden amniyosentez veya koryon villus örneklemesi gibi kesin tanı koyan yollar vardır, fakat her hamilelikte bu invaziv yöntemleri kullanmak uygun değildir. Bu yöntemler büyük ölçüde tıbbi bakım maliyetini artırmanın yanı sıra, fetus için risk teşkil etmektedir. Bu sebeple öznitelik ve görüntüleme analizleri gibi invaziv olmayan yöntemler ile bu gebeler `yüksek risk` grubunda sınıflandırılabilmektedir. Bu sınıftaki gebeler daha fazla tanısal test ile değerlendirilmektedir. Bu tezde, invaziv testleri azaltmak amacıyla Down sendromu yüksek riskli sınıfını oluşturmak için karar verme problemleri yapay öğrenme bakış açısı ile ele alınmıştır. İlk olarak, Down Sendromu tahmini için sınıflandırma tekniklerinin kapsamlı bir analizi sunulmuştur. Aynı zamanda, özniteliklerin belirleyici etkileri değerlendirilmiş ve gereksiz değişkenler elenerek ideal öznitelik alt kümesi belirlenmiştir. Çalışmanın devamında, metodolojik iyileştirmeler ve kullanılan veri kümesinin bilgi içeriğinin genişletilmesi ile tahmin performansı arttırılmıştır. İlk olarak, dengesiz sınıf dağılımı problemi ele alınmış, karar eşiği optimizasyonu ve öğrenme kümesinin yeniden örneklenmesi ile çözüm yöntemleri analiz edilmiştir. İkinci olarak, kategorik özniteliklerin sayısal değerlere dönüştürülmesinin tahmin gücüne olan etkisi incelenmiştir. Bu çalışmanın kapsamında iki farklı veri seti kullanılmıştır. Son olarak, Trizomi 21 tahminlemesi için Bayes Teoremini kullanan olasılıksal sınıflandırıcılardan Naive Bayes ve Bayes Ağlar yöntemleri uygulanmıştır. Ayrıca yaygın olarak kullanılan sınıflandırıcılardan Karar ağacı, Destek Vektör Makinesi, Çok Katmanlı İdrak, ve k-NN kullanılmıştır. Ana motivasyonlarımızdan biri olan olasılıksal sınıflandırıcılar ile diğer sınıflandırıcıların performansı duyarlılık, özgüllük, doğruluk ve ROC değerleri esas alınarak karşılaştırılmıştır. Deneylerde (i) olasılıksal sınıflandırıcıların Trizomi 21 tahmininde kabul edilebilir başarı oranı elde ettiği ve (ii) bu çalışmada önerilen teknikler kullanılarak tahmin performansının arttırılabileceği görülmüştür.

Over the last 20 years, new technology has improved the methods of detection of fetal abnormalities, including Down syndrome. While there are ways to diagnose Down syndrome by obtaining fetal tissue samples by amniocentesis or chorionic villus sampling, it would not be appropriate to examine every pregnancy this way. Besides greatly increasing the cost of medical care, these methods do carry a slight amount of risk to the fetus. So non-invasive methods such as characteristics and screening analysis have been developed to try to identify those pregnancies at `high risk`. These pregnancies are then candidates for further diagnostic testing. In this thesis, we address the decision-making problems in diagnosing Down syndrome cases from the machine learning perspective aiming to decrease invasive tests. Initially, we present a comprehensive and comparative analysis of the classification techniques in Down syndrome prediction. In parallel, we evaluate the predictor effects of input features in order to eliminate the redundant features and decide the optimum feature subset leading to the highest prediction performance. Later, we focus on improving the classification performance either by parameter optimization or by improving the information content of the data. First we handle the problem of imbalanced class distribution. As a solution to imbalance class problem we analyse decision threshold optimization and re-sampling the training data techniques. Secondly, we use probabilistic classifiers based on applying Bayes Theorem, Naive Bayes and Bayesian Networks, to predict the Trisomy 21 case. In contrast to probabilistic classifiers we also apply some of widely used and well known classifiers such as Decision Tree, Support Vector Machine, Multi Layer Perceptron, and k-NN. In this thesis, we aim to evaluate the probabilistic classifiers performance with respect to these methods. This comparison is based on performance metrics such as sensitivity, specificity, accuracy and Receiver Operating Characteristics. The results of the experiments show that (i) probabilistic classifiers enable acceptable prediction of Trisomy 21 case and (ii) the classification performance can be improved by using the proposed techniques in this study.