1913

Makine Öğrenme Yöntemleri ile Semen Kalitesi Tahmini

Doğurganlık oranları son yıllarda önemli ölçüde azalmıştır. Bu durum özellikle erkeklerde daha fazla görülmeye başlanmış ve kısırlıkolarak ifade edilmiştir. Kısırlık, Dünya Sağlık Örgütüne göre seksüel olarak aktif bir çiftin herhangi bir önlem alınmadan bir yılsüreyle düzenli cinsel ilişlkide bulunmasına rağmen gebeliğin oluşmamasıdır. Kısırlık, sebebi ne olursa olsun üreme sağlığısorunudur. Sperm fonksiyonunun bozulması, erkek kısırlığının en önemli nedenlerinden biridir. Kısırlığın bir diğer etmeni de semenkalitesi ve sperm hareketsizliğidir. Yaşam alışkanlıkları ve çevresel faktörler insanlarda semen kalitesini etkileyip doğurganlık oranınıazaltmaktadır. Semen analizi erkek doğurganlık potansiyelinin iyi bir göstergesidir. Bu yüzden spermin hareketliliği, yoğunluğu vemorfolojisi semen analizinde incelenmektedir. Bu analizler uzmanlarca laboratuvar ortamında yapılmaktadır. Laboratuvarda analizler,gözleme dayalı hataya açık ve subjektif olabilmektedir. Bu tür hataları minimize edebilmek için Bilgisayar destekli çalışmalarkullanılmaktadır. Bu çalışmada 100 denekten alınmış semen örnekleri ve yapılan anket sonuçlarına göre oluşturulan veri seti makineöğrenme algoritmaları kullanılarak normal ve değiştirilmiş semen tahmini yapılmıştır. Tahmin modellerinde, Destek VektörMakineleri, K En Yakın Komşuluk, Doğrusal Ayırt Edici ve Lojistik Regresyon yöntemleri kullanılmıştır. Çalışmada elde edilenperformans değerleri, literatürdeki benzer çalışmalarla kıyaslanarak problemin çözümüne ilişkin en uygun tahmin algoritmaları tespitedilmiştir. Bozulmuş ve normal semen örnekleri tahmin yapma işlemi makine öğrenme yöntemleri kullanılarak yapılmış ve ikiaşamada değerlendirilmiştir. İlk olarak tüm veri seti kullanılmış ve daha sonra veri seti sayısı eşit alınarak başarı oranlarıkarşılaştırılmıştır. Eğitim ve test işlemi için kullanılan veri seti ilk olarak çapraz doğrulama yapılarak değerlendirilmiş ve daha sonraveri setinin eğitim ve test değerleri %50 %50 alınarak işleme alınmıştır. Sınıflandırma sonuçlarında performans ölçütü olarak, doğrutahmin edilen örneklerin tüm örneklere oranı kullanılmıştır. Tüm veri seti kullanılarak elde edilen başarı sonuçları, Destek VektörMakineleri ve K En Yakın Komşuluk yöntemleri ile %90 olmuştur. Verisetinde normal ve bozulmuş semen örnekleri eşit olmadığı içinsayıca az olan bozulmuş semen örnekleri kadar normal semen örnekleri kullanılmış ve bu şekilde 7 değerlendirme durumusağlanmıştır. Bu şekilde elde edilen en yüksek başarı oranı 4. değerlendirme durumu için Destek Vektör Makineleri kullanılarak %91.7 olmuş ve 7 değerlendirme durumu ortalaması için ise en yüksek başarı durumu K En Yakın Komşuluk yöntemi kullanılarak%73,8 olmuştur.

Semen Quality Estimation by Machine Learning Methods

Fertility rates have decreased significantly in recent years. This situation has started to be seen especially in men and it has been expressed as infertility. According to the World Health Organization, infertility is the absence of pregnancy even though a sexually active couple has regular sexual intercourse for one year without taking any precautions. Infertility is a reproductive health problem for whatever reason the cause. Impairment of sperm function is one of the most important causes of male infertility. Another factor of infertility is semen quality and sperm immobility. Life habits and environmental factors affect the quality of semen in humans and reduce fertility. Semen analysis is a good indicator of male fertility potential. Therefore, motility, density and morphology of sperm are examined in semen analysis. These analyzes are performed in the laboratory by experts. Laboratory analyzes can be observational, error-prone, and subjective. Computer-aided studies are used to minimize such errors. In this study, normal and altered semen estimation was performed by using machine learning algorithms, which were formed according to the results of the questionnaires and semen samples taken from 100 subjects. In estimation models, Support Vector Machines, K Nearest Neighborhood, Linear Discriminant and Logistic Regression methods were used. The most suitable estimation algorithms for the solution of the problem were determined by comparing the performance values obtained in the study with similar studies in the literature. Deteriorated and normal semen samples were estimated using machine learning methods and evaluated in two stages. First, the entire data set was used, and then the success rates were compared by taking the number of data sets equally. The data set used for the training and testing process was first evaluated by cross-validation and then the training and test values of the data set were 50% - 50% processed. In the classification results, the ratio of correctly predicted samples to all samples was used as performance criteria. The success results obtained using the whole data set were 90% with the Support Vector Machines and the K Nearest Neighborhood methods. Since normal and impaired semen samples are not equal in the dataset, normal semen samples are used as much as the impaired semen samples, which are few in number, and thus provided 7 evaluation cases. The highest success rate achieved in this way was 91.7% using Support Vector Machines for the 4th evaluation case, and for the average of 7 evaluation status, the highest success was 73.8% using the K Nearest Neighborhood method.

PDF

___

Alkan, B. B., Atakan, C., & Alkan, N. (2018). Dayanıklı lineer diskriminant analizi için yeni bir yaklaşım. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 34(2), 12-19.
Amann, R. P., & Waberski, D. (2014). Computer-assisted sperm analysis (CASA): capabilities and potential developments. Theriogenology, 81(1), 5-17.
Bidgoli, A. A., Komleh, H. E., & Mousavirad, S. J. (2015, November). Seminal quality prediction using optimized artificial neural network with genetic algorithm. In 2015 9th International Conference on Electrical and Electronics Engineering (ELECO) (pp. 695-699). IEEE.
Candemir, C. (2018). Estimating the semen quality from life style using fuzzy radial basis functions. Int J Mach Learn Comput, 8(1), 44-8.
Chıa, S. E., Ong, C. N., Chua, L. H., Ho, L. M., & Tay, S. K. (2000). Comparison of zinc concentrations in blood and seminal plasma and the various sperm parameters between fertile and infertile men. Journal of andrology, 21(1), 53-57
Demirci, N. (2014). Male Fertility and Risky Lifestyle Behaviors. Florence Nightingale Hemşirelik Dergisi, 22(1), 39-45.
Gil, D., Girela, J. L., De Juan, J., Gomez-Torres, M. J., & Johnsson, M. (2012). Predicting seminal quality with artificial intelligence methods. Expert Systems with Applications, 39(16), 12564-12573.
Gökçe, A., Gül, D., Direk, H. C., Çimen, H. İ., & Halis, F. (2018). Cinsel perhiz süresi ve semen parametreleri arasındaki ilişki. Androloji Bülteni, 2018;20:11−15
Gültepe, Y. Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, (16), 8-15.
Gümüşçü, A., Karadağ, K., Çalişkan, M., Tenekecı, M. E., & Akaslan, D. (2018, May). Gender classification via wearable gait analysis sensor. In 2018 26th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
Gürbüz, B., Yalti, S., Fiçicioğlu, C., & Zehi˙ r, K. (2003). Relationship between semen quality and seminal plasma total carnitine in infertile men. Journal of Obstetrics and Gynaecology, 23(6), 653-656.
Hamameh S, Gatti J-L. Role of the ionic environment and internal pH on sperm activity. Hum Reprod Suppl 1998;4:20–30.
Hamlacı, Y., Yılmaz, B., & Özerdoğan, N. Çalışma hayatının erkek üreme sağlığına etkisi. Androloji Bülteni, 19(1), 16-21.
Helwan, A., Khashman, A., Olaniyi, E. O., Oyedotun, O. K., & Oyedotun, O. A. (2016). Seminal quality evaluation with RBF neural network. Bulletin of the Transilvania University of Brasov. Mathematics, Informatics, Physics. Series III, 9(2), 137.
Irgens, Å., Krüger, K., & Ulstein, M. (1999). The effect of male occupational exposure in infertile couples in Norway. Journal of occupational and environmental medicine, 41(12), 1116-1120.
Latif, T., Kold Jensen, T., Mehlsen, J., Holmboe, S. A., Brinth, L., Pors, K., ... & Lindahl-Jacobsen, R. (2017). Semen quality as a predictor of subsequent morbidity: a Danish Cohort Study of 4,712 men with long-term follow-up. American journal of epidemiology, 186(8), 910-917.
Pesch, S., Bergmann, M., & Bostedt, H. (2006). Determination of some enzymes and macro-and microelements in stallion seminal plasma and their correlations to semen quality. Theriogenology, 66(2), 307-313.
Ramlau-Hansen, C. H., Thulstrup, A. M., Aggerholm, A. S., Jensen, M. S., Toft, G., & Bonde, J. P. (2006). Is smoking a risk factor for decreased semen quality? A cross-sectional analysis. Human Reproduction, 22(1), 188-196.
Rowe, P. J., Comhaire, F. H., Hargreave, T. B., & Mahmoud, A. M. (2000). WHO manual for the standardized investigation and diagnosis of the infertile male. Cambridge University Press.
Ruiz-Pesini, E., Lapeña, A. C., Dı́ez, C., Álvarez, E., Enrı́quez, J. A., & López-Pérez, M. J. (2000). Seminal quality correlates with mitochondrial functionality. Clinica Chimica Acta, 300(1-2), 97-105.
Sanocka-Maciejewska, D., Ciupińska, M., & Kurpisz, M. (2005). Bacterial infection and semen quality. Journal of reproductive immunology, 67(1-2), 51-56.
Sevli, O. Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185.
Shiva, M., Gautam, A. K., Verma, Y., Shivgotra, V., Doshi, H., & Kumar, S. (2011). Association between sperm quality, oxidative stress, and seminal antioxidant activity. Clinical biochemistry, 44(4), 319-324.
Simfukwe, M., Kunda, D., & Chembe, C. (2015). Comparing Naive Bayes Method and Artificial Neural Network for Semen Quality Categorization. International Journal of Innovative Science, Engineering & Technology, 2(7), 689-694.
Stutz, G., Zamudio, J., Santillán, M. E., Vincenti, L., De Cuneo, M. F., & Ruiz, R. D. (2004). The effect of alcohol, tobacco, and aspirin consumption on seminal quality among healthy young men. Archives of Environmental Health: An International Journal, 59(11), 548-552.
Tapısız, O. L., Altınbaş, S. K., Abike, F., & Göktolga, U. (2012). Semen Analysis From A Point Of View Of Gynecologist And Recent Developments. Journal of Turkish Society of Obstetrics and Gynecology, 9(1), 25-31.
Uyar, A., Bener, A., & Ciray, H. N. (2015). Predictive modeling of implantation outcome in an in vitro fertilization setting: an application of machine learning methods. Medical Decision Making, 35(6), 714-725.
Wang, H., Xu, Q., & Zhou, L. (2014). Seminal quality prediction using clustering-based decision forests. Algorithms, 7(3), 405-417.
World Health Organization. WHO laboratory manual for the examination and processing of human semen, 5th ed. Geneva: WHO Press; 2010. Available from: http://apps.who.int/iris/ bitstream/10665/44261/1/9789241547789_eng.pdf
Xu, D. X., Shen, H. M., Zhu, Q. X., Chua, L., Wang, Q. N., Chia, S. E., & Ong, C. N. (2003). The associations among semen quality, oxidative DNA damage in human spermatozoa and concentrations of cadmium, lead and selenium in seminal plasma. Mutation Research/Genetic Toxicology and Environmental Mutagenesis, 534(1-2), 155-163.
Yücelbaş, Ş., & Yücelbaş, C. (2019). Temel Bileşen Analizi Yöntemleri Kullanarak Parkinson Hastalığının Otomatik Teşhisi. Avrupa Bilim ve Teknoloji Dergisi, (16), 294-300.
https://www.mathworks.com, erişim tarihi 01.08.2019