BREAST CANCER DIAGNOSIS WITH FEATURE SELECTION USING NATURE-INSPIRED OPTIMIZATION AND MACHINE LEARNING

Abstract

Meme kanseri kadınlarda en yaygın görülen kanser türü ve en çok ölüme sebep olan hastalıktır. Erken teşhis ve tedavi edilirse iyileşme ve hayatta kalma oranı yükselmektedir. Makine öğrenmesi, medikal alanda farklı uygulamalarıyla kanser türlerinin erken teşhisinde uzmanlar için başarılı bir karar destek rolü oynamaktadır. Bir hastalığın tanısı için toplanan çok sayıda özelliğin tümünün birlikte kullanımı analiz süreci ve başarısını olumsuz etkileyebilmektedir. Toplanan verilerden en etkin özniteliklerin seçilmesi ve bunları kullanarak tahminlemeler yapılması teşhis başarısını artırabilmektedir. Bu çalışmada meme kanseri konusunda literatürde yaygın kullanılan UCI WDBC veri seti üzerinde KNN, RO ve DVM algoritmaları ile öznitelik seçimi olmadan ve öznitelik seçimi uygulanarak sınıflamalar gerçekleştirilmiştir. Öznitelik seçimi konusunda başarılı sonuçlar sağlayan doğa ilhamlı algoritmalardan Guguk Kuşu Arama (GKA), Parçacık Sürü Optimizasyonu (PSO), Balina Optimizasyon (BO) algoritması ve Kızıl Geyik (KG) algoritması kullanılarak ve bu algoritmaların 25,50 ve 75 parçacıklı sürüleri ile 30 öznitelikli orijinal WDBC veri seti üzerinde öznitelik seçimleri gerçekleştirilmiştir. En yüksek doğruluk 75 parçacıklı GKA ile seçilen 16 adet öznitelik ile RO sınıflandırıcı kullanılarak %99.12 olarak elde edilmiştir. Öznitelik seçimi yapılarak gerçekleştirilen sınıflamalardaki doğruluklarının, seçim yapılmadan elde edilen sonuçlardan yüksek olduğu görülmüştür. Eldeki bulgular literatürdeki çalışmalar ile karşılaştırılmış ve daha yüksek başarı sağladığı gözlenmiştir.