Osteoporoz riskinin yapay sinir ağları yöntemi ile saptanması

Yapay sinir ağları (YSA), farklı disiplinlerdeki karmaşık problemlerin çözümlenmesinde kabul gören ve uygulamalarda sıklıkla yer alan modelleme araçları haline gelmiştir. Son yıllarda sedanter yaşamın yaygınlaşması, yanlış beslenme alışkanlıkları, obezite, diyabet, kemiklerde mekanik stres etkisi yaratacak aktif yürüyüş egzersizlerinin ihmal edilmesi gibi nedenlerden dolayı osteoporoz gelişme hızı ve oranı da paralel olarak artmıştır. Bayanlarda kemik yoğunluğu ile korelasyonu olduğu düşünülen kilo, boy, menapoz yaşı ve yaş bilgilerine dayalı örüntüler, YSA’lar tarafından sınıflandırmak üzere değerlendirilmişlerdir. Bu çalışmada açıklanan öğrenme ve sınıflama süreci, bayanlarda kemik yoğunluğunun hangi seviyede olduğunun (Risk var / Risk yok) belirlenmesi amacıyla kullanılmıştır. Sınıflandırma işlemi için farklı YSA mimarisi kullanılmış ve en başarılı mimari saptanmıştır. Kullanılan mimariler; Çok katmanlı algılayıcı (ÇKA), LVQ ve SOM (Self Organizing Map) ağlarıdır. Performans belirleyiciler ve istatistiksel ölçümler ile mimariler değerlendirilmiş ve sonuçlar osteporoz hastalığın sınıflandırmasında ÇKA mimarisinin en başarılı mimari olduğunu göstermiştir.

Determination of osteoporosis risk using by neural networks method

Artificial neural networks (ANNs) have become modeling tools that have found extensive acceptance and they have frequently used in applications in many disciplines for solving complex problems. Different ANN structures are valuable models, which are used in the medical field for the development of decision support systems. In this paper, the learning and classification processes are used for determining the level of bone-density (safe / risk of osteoporosis) in woman. In this study, three different structured neural networks were used for classifying of osteoporosis and the most efficient structure was determined. The training network structures were Multilayer perceptron neural network (MLP), Linear Vector Quantization (LVQ) and Self Organizing Map (SOM). Performance indicators and statistical measures were used for evaluating the structures and the results demonstrated that the MLP was the most efficient structure for classifying of osteoporosis.

PDF

___

1. Tafeit E, Reibnegger G. Artificial Neural Networks in Laboratory Medicine and Medical Outcome Prediction. Clin Chem Lab Med 1991;37: 845-53.
2. Güler I, Übeyli ED. Detection of Ophthalmic Artery Stenosis by Least-Mean Squares Backpropagation Neural Network. Comput Biol Med 2003;33:333-43.
3. Übeyli ED. Güler I. Neural Network Analysis of Internal Carotid Arterial Doppler Signals: Predictions of Stenosis and Occlusion, Expert Systems with Applications 2003;25:1-13.
4. Güler I, Übeyli ED. ECG Beat Classifier Designed by Combined Neural Network Model. Pattern Recognition 2005; 38:199-208.
5. Güler I, Übeyli ED. Çok Katmanlı Perseptron Sinir Ağları ile Diyabet Hastalığının Teşhisi, J Fac Eng Arch Gazi Univ 2006; 21: 319-26.
6. Frangi AF. Egmont-Petersen M, et al. Bone tumor segmentation from MR perfusion images with neural networks using multi-scale pharmacokinetic features. Image Vision Computing 2001; 19: 679-90.
7. Lynn N, et al. Use of artificial Neural Network together with EAU guidelines to reduce unnecessary bone scans, Eur Urol Supplements 2003; 2: 77.
8. John RI, et al. Neuro-fuzzy clustering of radiographic tibia image data using type 2 fuzzy sets. Information Sci 2000;125: 65-82.
9. Levasseur R, et al. The absorptiometry T score: influence of selection of the reference population and related considerations for everyday practice, Joint Bone Spine 2003; 70: 290-3.
10. Zurada JM, Introduction To Artificial Neural Networks, West Publishing Com., 1992: 120-5.
11. Rojas R. Neural Networks, A Systematic Introduction, Springer, Germany, 1996: 66-72.
12. Kohonen T. Content Addressable Memories, Springer-Verlag, New York, 1980: 12-20.
13. Kumar, Cofran, Robbins, Basic Pathology, first edition, W.B.Saunders Company, 1999: 20-6.
14. Marcus R, Feldman D, Kelsey J. Osteoporosis, 1st. edition, Academic Press, San Diego, 1996: 13-45.
15. Akpolat V, Özerdem MS, Çelik MS. Kemik Yoğunluğunun Yapay Sinir Ağları ile Saptanması, 17. Ulusal Biyofizik Kongresi, İzmir, 7-9 Eylül 2005
16. Öztemel E. Yapay Sinir Ağları, Papatya yayıncılık, İstanbul, 2003: 45-60.
17. Haykin S. Neural Networks, A Comprehensive Foundation, Upper Saddle River, N.J.: Prentice Hall, 1999: 112-8.