Papüloskuamöz Hastalıkların Belirlenmesi için Yapay Zeka Yöntemleriyle Kural Tabanlı Teşhis Algoritmalarının Geliştirilmesi

Papüloskuamöz deri hastalıkları halk arasında oldukça sık rastlanan ve kendine has morfolojik özellikleri olan deri hastalıkları grubudur. Papüloskuamöz deri hastalıklarının alt gruplarının belirtileri birbirine çok yakın olduğu için teşhis süreci bazı durumlarda zahmetlidir. Hastalığın teşhisi klinik muayenede konulabilir. Klinik muayenenin yetersiz olduğu durumlarda, tanı deri biyopsisi ile histopatolojik değerlendirme ile konulmaktadır. Bu süreçte dermatolog ve patoloğun uyumlu bir şekilde çalışması ve her iki hekimin de teşhis süreci ile ilgili bilgi birikiminin iyi olması gerekir. Bu yüzden Papüloskuamöz deri hastalıklarının tanısı deri biyopsisine ihtiyaç duyulmadan sadece klinik muayene ile dematolog tarafından konulabilmesi için daha basit, yüksek başarı oranına sahip ve klinikte kullanılabilir yöntemlere ihtiyaç duyulmaktadır. Bu çalışmanın amacı Papüloskuamöz deri hastalıklarının yüksek başarı oranı ile tespit edebilecek, klinikte dermatolog tarafından kullanılabilecek, yapay zeka yöntemleriyle geliştirilmiş kural tabanlı algoritma geliştirmektir. Çalışma kapsamında daha önce toplanmış veri seti kullanılmıştır. Veri setinde Papüloskuamöz deri hastalıklarının altı farklı alt grubu için klinik ve histopatolojik bulgular bulunmaktadır. Öncelikle veri seti ikişer sınıflı olacak şekilde gruplandırılmıştır. Daha sonra özellik seçme algoritmalarıyla klinik ve histopatolojik bulgular seçilmiştir. Daha sonra karar ağaçları yardımıyla kural tabanlı teşhis algoritmaları oluşturulmuştur. Çalışma sonucunda, sadece seçilmiş klinik bulgular kullanılarak ortalama %82.98 doğruluk oranı, 0.89 duyarlılık, 0.76 özgüllük oranıyla Papüloskuamöz deri hastalıkları kural tabanlı algoritmalar geliştirilmiştir. Sonuç olarak, bu çalışmada elde edilen sonuçlara göre, çalışma kapsamında geliştirilen algoritmalar, Papüloskuamöz deri hastalıklarının teşhisi için yapay zeka yöntemleriyle geliştirilen yüksek doğruluk oranına sahip kural tabanlı algoritmalar klinikte kullanılabilir.

Anahtar Kelimeler:

Yapay Zeka, Kural Tabanlı Teşhis Algoritması, Karar Ağaçları, Papüloskuamöz Deri Hastalıkları, Klinik Bulgular

Development of Rule-Based Diagnostic Algorithms with Artificial Intelligence Methods to Identify Papulosquamous Diseases

Papulosquamous skin diseases are common skin diseases and have morphological features. The diagnosis process is sometimes troublesome, as the symptoms of the subgroups of papulosquamous skin diseases are very close to each other. The diagnosis of the disease can be made at the clinical examination. In cases where the clinical examination is insufficient, the diagnosis is made by histopathological evaluation by skin biopsy. In this process, dermatologists and pathologists should work in harmony, and both doctors should have a good knowledge of the diagnosis process. Therefore, more uncomplicated, higher success rate, and clinically practical methods are needed in order for Papulosquamous skin diseases to be established only by a clinical examination by a dermatologist without the need for a skin biopsy. This study aims to develop a rule-based algorithm that can detect Papulosquamous skin diseases with a high success rate, can be used by dermatologists in the clinic, developed with artificial intelligence methods. Within the scope of the study, the previously collected data set was used. The data set contains clinical and histopathological findings for six different subgroups of Papulosquamous skin diseases. Firstly, the data set is grouped into two classes. Then, clinical and histopathological findings were selected with feature selection algorithms. Then, rule-based diagnostic algorithms were created with the help of decision trees. As a result of the study, Papulosquamous skin diseases rule-based algorithms have been developed with an average of 82.98% accuracy rate, 0.89 sensitivity, and 0.76 specificity rate using only selected clinical findings. Consequently, according to the results obtained in this study, algorithms developed within the scope of the study, high-accuracy rule-based algorithms developed with artificial intelligence methods can be used in the clinic for the diagnosis of Papulosquamous skin diseases.

Keywords:

Papulosquamous Skin Diseases, Clinical Findings, Artificial Intelligence, Rule-Based Diagnostic Algorithm, Decision Trees,

PDF

___

[1] S. P. Kartal ve C. T. Altunel, “Papüloskuamöz ve diğer inflamatuar deri hastalıkları,” Türkiye Klin. Geriatr. - Özel Konular, c. 5, s. 1, ss. 70–76, 2019.
[2] E. Brehmer-Andersson, Dermatopathology, 1. baskı, Berlin, Heidelberg, Germany, Springer-Verlag Berlin Heidelberg, 2006.
[3] W. D. James, T. G. Berger, D. M. Elston, ve R. B. Odom, Andrews’ Diseases of The Skin : Clinical Dermatology., 10. baskı, Philadelphia: Saunders Elsevier, 2006.
[4] B. Ç. Nursel Dilek, Yunus Saral, “Dermatozlarda klinik ve histopatolojik korelasyon,” Fırat Üniversitesi Sağlık Bilim. Derg., c. 23, s. 2, ss. 81–84, 2009.
[5] G. Açıkgöz, M. Çayırlı, ve M. Tunca, “Deri hastalıklarının tanısında laboratuvar ve özel inceleme yöntemleri,” Smyrna Tıp Derg., c. 42, ss. 1–6, 2012.
[6] Ö. F. Elmas, “Deri biyopsisi,” Türkiye Klin., c. 10, s. 1, ss. 33–38, 2017.
[7] P. Yüksel Başak, “Sık görülen bazı deri hastalıklarının yaşam kalitesi üzerindeki etkilerinin karşılaştırılması,” Türkiye Klin., c. 10, s. 3, ss. 171–174, 2000.
[8] H. A. Güvenir, G. Demiröz, ve N. Ilter, “Learning differential diagnosis of erythemato-squamous diseases using voting feature intervals,” Artif. Intell. Med., c. 13, s. 3, ss. 147–165, 1998.
[9] N. İlter ve H. A. Guvenir. “UCI Machine Learning Repository: Dermatology Data Set,” https://archive.ics.uci.edu/, 1998. [Çevrimiçi]. Erişim Adresi: https://archive.ics.uci.edu/ml/datasets/Dermatology. Erişim Tarihi: 28.03.2020.
[10] E. D. Übeyli, “Multiclass support vector machines for diagnosis of erythemato-squamous diseases,” Expert Syst. Appl., c. 35, s. 4, ss. 1733–1740, 2008.
[11] L. Nanni, “An ensemble of classifiers for the diagnosis of erythemato-squamous diseases,” Neurocomputing, c. 69, s. 7-9 SPEC. ISS., ss. 842–845, 2006.
[12] H. A. Güvenir ve N. Emeksiz, “An expert system for the differential diagnosis of erythemato-squamous diseases,” Expert Syst. Appl., c. 18, s. 1, ss. 43–49, 2000.
[13] E. D. Übeyli ve I. Güler, “Automatic detection of erythemato-squamous diseases using adaptive neuro-fuzzy inference systems,” Comput. Biol. Med., c. 35, s. 5, ss. 421–433, 2005.
[14] A. K. Verma, S. Pal, ve S. Kumar, “Comparison of skin disease prediction by feature selection using ensemble data mining techniques,” Informatics Med. Unlocked, c. 16, ss. 100202, 2019.
[15] A. K. Verma, S. Pal, ve S. Kumar, “Prediction of Skin Disease Using Ensemble Data Mining Techniques and Feature Selection Method—a Comparative Study,” Appl. Biochem. Biotechnol., c. 190, s. 2, ss. 341–359, 2020.
[16] S. K. Jha, Z. Pan, E. Elahi, ve N. Patel, “A comprehensive search for expert classification methods in disease diagnosis and prediction,” Expert Syst., c. 36, s. 1, ss. e12343, 2019.
[17] M. J. Abdi ve D. Giveki, “Automatic detection of erythemato-squamous diseases using PSO-SVM based on association rules,” Eng. Appl. Artif. Intell., c. 26, s. 1, ss. 603–608, 2013.
[18] J. Xie ve C. Wang, “Using support vector machines with a novel hybrid feature selection method for diagnosis of erythemato-squamous diseases,” Expert Syst. Appl., c. 38, s. 5, ss. 5809–5815, 2011.
[19] E. D. Übeyli ve E. Doǧdu, “Automatic detection of erythemato-squamous diseases using κ-means clustering,” J. Med. Syst., c. 34, s. 2, ss. 179–184, 2010.
[20] A. Basu, S. S. Roy, ve A. Abraham, “A novel diagnostic approach based on support vector machine with linear kernel for classifying the erythemato-squamous disease,” in Proceedings - 1st International Conference on Computing, Communication, Control and Automation, ICCUBEA 2015, Pune, India, 2015, ss. 343–347.
[21] K. Maghooli, M. Langarizadeh, L. Shahmoradi, M. Habibikoolaee, M. Jebraeily, ve H. Bouraghi, “Differential diagnosis of Erythmato-Squamous Diseases using classification and regression tree,” Acta Inform. Medica, c. 24, s. 5, ss. 338–342, 2016.
[22] N. Badrinath, G. Gopinath, K. S. Ravichandran, J. Premaladha, ve R. Krishankumar, “Classification and prediction of erythemato-squamous diseases through tensor-based learning,” Proc. Natl. Acad. Sci. India Sect. A Phys. Sci., ss. 1–9, 2018.
[23] B. Lahijanian, F. V. Farahani, ve M. H. F. Zarandi, “A new multiple classifier system for diagnosis of erythemato-squamous diseases based on rough set feature selection,” in 2016 IEEE International Conference on Fuzzy Systems, FUZZ-IEEE 2016, Vancouver, BC, Canada, 2016, ss. 2309–2316.
[24] A. M. Elsayad, M. Al-Dhaifallah, ve A. M. Nassef, “Analysis and diagnosis of erythemato-squamous diseases using CHAID decision trees,” in 2018 15th International Multi-Conference on Systems, Signals and Devices, SSD 2018, Hammamet, Tunisia, 2018, ss. 252–262.
[25] T. Liu, L. Hu, C. Ma, Z. Y. Wang, ve H. L. Chen, “A fast approach for detection of erythemato-squamous diseases based on extreme learning machine with maximum relevance minimum redundancy feature selection,” Int. J. Syst. Sci., c. 46, s. 5, ss. 919–931, 2015.
[26] D. Richard O., H. Peter E., ve S. David G., Pattern Classification, 2. baskı, New York, NY, United States, John Wiley & Sons, New York, 2001.
[27] M. K. Uçar, M. R. Bozkurt, C. Bilgin, ve K. Polat, “Automatic sleep staging in obstructive sleep apnea patients using photoplethysmography, heart rate variability signal and machine learning techniques,” Neural Comput. Appl., c. 29, s. 8, 2018.
[28] M. K. Uçar, M. R. Bozkurt, C. Bilgin, ve K. Polat, “Automatic detection of respiratory arrests in OSA patients using PPG and machine learning techniques,” Neural Comput. Appl., c. 28, s. 10, 2017.
[29] T. Yamane, Elementary Sampling Theory, 1. baskı, New Jersey, United States, Prentice Hall, 1967.
[30] S. Sezgin, “Çocukluk Çağında Papüloskuamöz Hastalıklar”, Tıpta Uzmanlık Tezi, Deri ve Zührevi Hast. Anabilim Dalı, Tokat Gaziosmanpaşa Üniversitesi, Tokat, Türkiye, 2019.