.: ORİJİNAL ARAŞTIRMA
Tıbbi Tahminde Alternatif Bir Yaklaşım: Destek Vektör Makineleri
An Alternative Approach in Medical Diagnosis: Support Vector Machines
Turkiye Klinikleri J Biostat. 2013;5(1):19-28
Makale Dili: TR
Tam Metin
ÖZET
Amaç: Bu çalışma, birçok alanda sıklıkla kullanılan destek vektör makinelerinin (DVM) tıbbi araştırmalarda kullanımına yönelik bir uygulama olarak düşünülmüş ve tıbbi bir çalışma verisi kullanılarak DVM yönteminin veriyi doğru sınıflama başarısını ortaya koymak amaçlanmıştır. Gereç ve Yöntemler: Çalışmamızda, verileri sınıflandırmak veya tahmin yapmak amacıyla kullanılan, eğiticili (supervised) bir makine öğrenmesi yöntemi olan DVM kullanılmıştır. Burada, doğrusal olmayan ilişkiler için iki sınıflı DVM yönteminin bir uygulaması yapılmıştır. DVM'nin temelini, verilerin bir düzlem veya hiper düzlem ile ayrılarak sınıflandırılması işlemi oluşturmakta ve DVM bu işlemi, iki sınıf arasındaki marjini maksimum yaparak gerçekleştirmektedir. Bu şekilde veri eğitildikten sonra, DVM yeni gelen veriyi doğru sınıflamayı amaçlamaktadır. Tıpta DVM özellikle, kanser morfolojisinde, tedavi başarısının ve ilgili genin belirlenmesinde, çeşitli hastalıkların teşhisinde kullanılmaktadır. Araştırmanın uygulama bölümünde, Zonguldak Karaelmas Üniversitesi Tıp Fakültesi psikiyatri polikliniğine 1-31 Ocak 2011 tarihleri arasında gece yeme sendromu şikâyetiyle başvuran 433 hastaya ilişkin bilgiler kullanılmıştır. Bulgular: Kullanılan 17 değişken için tanımlayıcı istatistikler elde edilmiş ve univariate analizlerden elde edilen sonuçlara göre, GYA, BSQ ve SCL puanları, medeni durum, sigara kullanımı ve psikolojik tanı değişkenlerinin gece yeme sendromu tanısı koymada tek başına etkileri olduğu sonucuna varılmıştır. Doğrusal olmayan destek vektör makineleri kullanılarak elde edilen sonuçlar incelendiğinde, eğitim ve test verileri için doğruluk ve ROC eğrisi altında kalan alanlara bakılarak, modelin tanı koyma başarısının oldukça iyi derecede olduğu görülmüştür. Sonuç: DVM yöntemi, istatistiksel öğrenme teorisine dayanan yeni ve doğrusal olmayan, karmaşık yapıya sahip verileri sınıflamada etkin bir yöntemdir ve bu nedenle birçok sınıflama yöntemine tercih edilebilmektedir.
Anahtar Kelimeler: Sınıflandırma; veri madenciliği; destek vektör makinaları; gece-yeme sendromu
Amaç: Bu çalışma, birçok alanda sıklıkla kullanılan destek vektör makinelerinin (DVM) tıbbi araştırmalarda kullanımına yönelik bir uygulama olarak düşünülmüş ve tıbbi bir çalışma verisi kullanılarak DVM yönteminin veriyi doğru sınıflama başarısını ortaya koymak amaçlanmıştır. Gereç ve Yöntemler: Çalışmamızda, verileri sınıflandırmak veya tahmin yapmak amacıyla kullanılan, eğiticili (supervised) bir makine öğrenmesi yöntemi olan DVM kullanılmıştır. Burada, doğrusal olmayan ilişkiler için iki sınıflı DVM yönteminin bir uygulaması yapılmıştır. DVM'nin temelini, verilerin bir düzlem veya hiper düzlem ile ayrılarak sınıflandırılması işlemi oluşturmakta ve DVM bu işlemi, iki sınıf arasındaki marjini maksimum yaparak gerçekleştirmektedir. Bu şekilde veri eğitildikten sonra, DVM yeni gelen veriyi doğru sınıflamayı amaçlamaktadır. Tıpta DVM özellikle, kanser morfolojisinde, tedavi başarısının ve ilgili genin belirlenmesinde, çeşitli hastalıkların teşhisinde kullanılmaktadır. Araştırmanın uygulama bölümünde, Zonguldak Karaelmas Üniversitesi Tıp Fakültesi psikiyatri polikliniğine 1-31 Ocak 2011 tarihleri arasında gece yeme sendromu şikâyetiyle başvuran 433 hastaya ilişkin bilgiler kullanılmıştır. Bulgular: Kullanılan 17 değişken için tanımlayıcı istatistikler elde edilmiş ve univariate analizlerden elde edilen sonuçlara göre, GYA, BSQ ve SCL puanları, medeni durum, sigara kullanımı ve psikolojik tanı değişkenlerinin gece yeme sendromu tanısı koymada tek başına etkileri olduğu sonucuna varılmıştır. Doğrusal olmayan destek vektör makineleri kullanılarak elde edilen sonuçlar incelendiğinde, eğitim ve test verileri için doğruluk ve ROC eğrisi altında kalan alanlara bakılarak, modelin tanı koyma başarısının oldukça iyi derecede olduğu görülmüştür. Sonuç: DVM yöntemi, istatistiksel öğrenme teorisine dayanan yeni ve doğrusal olmayan, karmaşık yapıya sahip verileri sınıflamada etkin bir yöntemdir ve bu nedenle birçok sınıflama yöntemine tercih edilebilmektedir.
Anahtar Kelimeler: Sınıflandırma; veri madenciliği; destek vektör makinaları; gece-yeme sendromu
ABSTRACT
Objective: This study was intended as an application in medical research of support vector machines (SVM) that is commonly used in many domains and aimed to determine the success of correct classification of SVM method by using a medical data set. Material and Methods: In this study, supervised SVM that is used for classification or regression was performed. Here an application of two class SVM was performed for nonlinear relationships. A support vector machine constructs a hyperplane or set of hyperplanes in a high- or infinite- dimensional space, which can be used for classification, regression, or other tasks. Intuitively, a good separation is achieved by the hyperplane that has the largest distance to the nearest training data points of any class, since in general the larger the margin the lower the generalization error of the classifier. So, SVM training algorithm builds a model that assigns new examples into one category or the other. In medicine, SVM is used for cancer morphology, identifying success of treatment and related gene, diagnosing various diseases. In application of the study, informations about 433 patient who were refer to the outpatient department of Zonguldak Karaelmas University Faculty of Medicine between date of 1-31 January 2011 for complaints of night eating syndrome were used. Results: Descriptive statistics for 17 variables were calculated and according to the results obtained from univariate analysis, GYA, BSQ, SCL scores, marital status, smoking status, psychological diagnosis are effective variables for diagnosis of night eating syndrome. When the results obtained by using nonlinear SVM were examined, the success of diagnosis of the model was observed very well according to accuracy and area under ROC curve. Conclusion: SVM method based on statistical learning theory is a new and effective method for classification nonlinear data with complex structure. For this reason it can prefer to many classification method.
Keywords: Classification; data mining; support vector machine; night-eating syndrome
Objective: This study was intended as an application in medical research of support vector machines (SVM) that is commonly used in many domains and aimed to determine the success of correct classification of SVM method by using a medical data set. Material and Methods: In this study, supervised SVM that is used for classification or regression was performed. Here an application of two class SVM was performed for nonlinear relationships. A support vector machine constructs a hyperplane or set of hyperplanes in a high- or infinite- dimensional space, which can be used for classification, regression, or other tasks. Intuitively, a good separation is achieved by the hyperplane that has the largest distance to the nearest training data points of any class, since in general the larger the margin the lower the generalization error of the classifier. So, SVM training algorithm builds a model that assigns new examples into one category or the other. In medicine, SVM is used for cancer morphology, identifying success of treatment and related gene, diagnosing various diseases. In application of the study, informations about 433 patient who were refer to the outpatient department of Zonguldak Karaelmas University Faculty of Medicine between date of 1-31 January 2011 for complaints of night eating syndrome were used. Results: Descriptive statistics for 17 variables were calculated and according to the results obtained from univariate analysis, GYA, BSQ, SCL scores, marital status, smoking status, psychological diagnosis are effective variables for diagnosis of night eating syndrome. When the results obtained by using nonlinear SVM were examined, the success of diagnosis of the model was observed very well according to accuracy and area under ROC curve. Conclusion: SVM method based on statistical learning theory is a new and effective method for classification nonlinear data with complex structure. For this reason it can prefer to many classification method.
Keywords: Classification; data mining; support vector machine; night-eating syndrome
.: İşlem Listesi