İsmail ÇALIKUŞU, Esma UZUNHİSARCIKLI, Uğur FİDAN

Dermatolojik Verilerin Öz Düzenleyici Harita ve Destek Vektör Makinaları ile Sınıflandırılması

İnsan derisinin özellikle farklı kimyasallara maruz kaldığı günümüzde dermatolojik hastalıkların görülme sıklığı da buna paralel olarak artış göstermektedir. Birçok deri hastalığı incelendiğinde birçoğu ortaya çıkış sebepleri farklı olmasına karşın şekil ve görünüş açısından benzerlik taşımaktadır. Dermatolojide, Erythemato-squamos hastalıklarına ayırt edici tanı koyulması doktorların sıkça karşılaştığı bir durumdur. Doktorlar klinik bulgular ile histopatolojik parametreleri birlikte değerlendirerek hastalıkları birbirinden ayırt etmeye ve teşhis koymaya çalışmaktadır. Konu ile ilgili birçok araştırmacı UCI veri tabanından alınan ve tanısını konmuş veriler ile hastalıkların sınıflandırılması ve kümelenmesi üzerine farklı algoritmalar geliştirmiştir. Bu çalışmada önceki çalışmalardan farklı olarak 6 farklı Erythamo Squamos deri hastalığına ait klinik ve histopatolojik bulgular SOM ağına ayrı ayrı uygulanarak kümelenmiştir. Bu kümeleme işleminin sonucunda Psoriasis - Cronic Dermatitis ve Seborreic Dermatitis - Pitriasis Rosea hastalıkları aynı küme içerisinde kaldığı ve tanıların karıştırıldığı tespit edilmiştir. Bu karışmayı önlemek için hastalıkların klinik ve histopatolojik bulguları ayrı ayrı SOM yöntemi ile kümelenmiştir. Klinik ve histopatolojik bulgulara ait kümelenme parametreleri kullanılarak SVM ile sınıflandırılma yapılmıştır. Yapılan çalışma sonucunda karıştırılan Psoriasis - Cronic Dermatitis hastalıkları arasında F1 sokuru 0.89 doğruluğu 0.93 olarak ve Seborreic Dermatitis - Pitriasis Rosea hastalıkları arasında F1 sokuru 0.79 doğruluğu 0.80 olarak sınıflandırma başarımı sağlanmıştır.

Classification of Dermatological Data with Self Organizing Maps and Support Vector Machine

The frequency incidence of dermatological diseases is increasing in parallel with the fact that humanskin is exposed to different chemicals. Examined many skin diseases, many of them are similar in shapeand appearance, although the reasons for their appearance are different. In dermatology, thedifferential diagnosis of Erythemato-squamous diseases is frequently encountered by doctors. Doctorstry to differentiate and diagnose diseases by evaluating clinical findings and histopathologicalparameters together. Many researchers have developed different algorithms on the classification andclustering of diseases and data that have been diagnosed from the UCI database. In the present study,unlike previous studies, clinical and histopathological findings of 6 different Erythamo Squamos skindiseases were clustered by applying to SOM network separately. As a result of this clustering process,it is determined that Psoriasis - Cronic Dermatitis and Seborreic Dermatitis - Pitriasis Rosea diseaseswere found in the same cluster and the diagnoses are confused. In order to prevent this confusion,clinical and histopathological findings of the diseases were clustered by SOM method. Clusteringparameters of clinical and histopathological findings were classified with SVM. As a result of the study,it was achieved that the classification of Psoriasis - Cronic Dermatitis diseases was classified as 0.89 withan accuracy of 0.93 and that of Seborreic Dermatitis - Pitriasis Rosea with an accuracy of 0.79 and 0.80.

PDF

___

D’Urso, P., De Giovanni, L., & Massari, R., 2019. Smoothed Self-Organizing Map for robust clustering. Information Sciences, 3, 7-51
Deo, R. C., Wen, X., & Qi, F.,2016. A wavelet-coupled support vector machine model for forecasting global incident solar radiation using limited meteorological dataset. Applied Energy, 168, 568-593.
Djamaludin, D., Haryanto, H., & Hasim, Y. K., 2018. Expert System Of Dental And Diagnosis Diseases Using Forward Chaining Method Based Android. Paper Presented At The International Seminar on Education and Development of Asia, 1, 37-42.
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S., 2017.
Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542, 115-118.
Fidan, U., Ozkan, N., & Calikusu, I., 2016. Clustering and classification of dermatologic data with Self Organization Map (SOM) method. Medical Technologies National Congress, Tıptekno, 1-4.
Guenther, N., & Schonlau, M., 2016. Support vector machines. The Stata Journal, 16(4), 917- 937.
Haryanto, H., Ulum, M., Rahmawati, D. R., Joni, K., Ubaidillah, A., Alfita, R., Khotimah, B. K., 2015. The Erythemato-Squamous Dermatology Diseases Severity Determination using Self-Organizing Map. IPTEK Journal of Proceedings Series, 1, 279- 284.
Karaca, Y., Sertbaş, A., & Bayrak, Ş., 2018. Classification of Erythematous-Squamous Skin Diseases Through SVM Kernels and Identification of Features with 1-D Continuous Wavelet Coefficient. International Conference on Computational Science and Its Applications, Iccsa 107-120.
Martinelli, D., El Hachem, M., Bertini, E., & DionisiVici, C., 2017. Skin and Hair Disorders 31. Springer, 341-370
Shen, J., Chen, P., Su, L., Shi, T., Tang, Z., & Liao, G., 2016. X-ray inspection of TSV defects with self-organizing map network and Otsu algorithm. Microelectronics Reliability, 67, 129-134.
Suthaharan, S., 2016. Support vector machine Machine learning models and algorithms for big data classification, 36. Springer, 207- 235.
Xie, J., Ji, X., & Wang, M., 2018. Extreme Learning Machine Based Diagnosis Models for Erythemato-Squamous. International Conference on Health Information Science, 11148, 61-74
Yang, D., Liu, Y., Li, S., Li, X., & Ma, L., 2015. Gear fault diagnosis based on support vector machine optimized by artificial bee colony algorithm. Mechanism and Machine Theory, 90, 219-229.