EMEK GÜLDOĞAN, AHMET KADİR ARSLAN, Jülide YAĞMUR

Çeşitli Çekirdek Fonksiyonları ile Oluşturulan Destek Vektör Makinesi Modellerinin Performanslarının İncelenmesi: Bir Klinik Uygulama

Amaç: Bu araştırmanın birincil amacı; çeşitli çekirdek fonksiyonları ile oluşturulan destek vektör makinesi modellerinin, Akut Koroner Sendromlu hastalarda diabetes mellitusu sınıflandırma performanslarının incelenmesi ve karşılaştırılmasıdır. Bu araştırmanın ikincil amacı ise, destek vektör makinesi modeli oluşturulurken kullanılan çeşitli çekirdek fonksiyonlarının parametrelerinin optimize edilerek en iyi sınıflandırma perfo rmansını elde etmeye çalışmaktır. Gereç ve Yöntem: Bu çalışmada incelenen veriler, İnönü Üniversitesi T urgut Özal Tıp Merkezi Kardiyoloji Anabilim Dalı için geliştirilen veritabanından geriye yönelik (retrospektif) olarak seçilmiştir. Çalışmadaki söz konusu veriler Akut Koroner Sendromlu hastalarda tip 2 diabetes mellitus ile değişik demografik ve klinik değişkenleri içermektedir. Akut Koroner Sendromlu hastalarda tip 2 diabetes mellitus'un sınıflandırılması için Destek Vektör Makinesi modelleri kullanılmıştır. İlgili modeller, ANOVA radyal tabanlı fonksiyon, bessel, doğrusal, Gaussian radyal tabanlı fonksiyon, laplace, polinomiyal ve sigmoid çekirdekleri ile oluşturulmuştur. Bulgular: Laplace çekirdek fonksiyonu ile oluşturulan en iyi sınıflama performansına sahip destek vektör makinesi modeline ilişkin doğr uluk, ROC eğrisi altında kalan alan, duyarlılık ve özgüllük [seçicilik] ölçütleri ile % 95 güven aralığı değerleri sırasıyla; 0.9804 (0.9716 - 0.987), 0.9332 (0.9096 - 0.9567), 0.9999 (0.9791 - 1.000) ve 0.9776 (0.9675 - 0.9852) olarak elde edilmiştir. Sonuç: İncelenen değişik çekirdek fonksiyonları ile oluşturulan modeller arasında söz konusu performans ölçütleri dikkate alındığında, en iyi sınıflama performansı laplace Destek Vektör Makinesi modelinden elde edilmiştir. İlerleyen çalışmalarda, farklı klinik verilerde değişik çekirdek fonksiyonlu Destek Vektör Makinesi modelleri ile diğer makine öğrenmesi ya da veri madenciliği algoritmalarının kullanılması hastalıkların sınıflandırma başarısını artırabilecektir.

The Performance Exploration of Support Vector Machines Models Constructed with Various Kernel Functions: A Clinical Applic ation O bjective

The primary aim of this study is to examine and compare the classification performance of support vector machine mo dels generated by various core functions used to classify diabetes mellitus in acute coronary syndrome patients. The secondary aim_ is to optimize the parameters of the various kernel functions which are used for constructing the support vector machine mo del and to achieve the best classification performance. Material and Method: The data examined in this study were selected retrospectively from_ the database developed for Inonu University Turgut Ozal Medical Center Cardiology Department. The study included_ type 2 diabetes mellitus and various demographic and clinical variables in acute coronary syndrome patients. The Support Vector Machine model was used to classify type 2 diabetes mellitus in acute coronary syndrome patients. The related models are constructed by ANOVA radial basis function, bessel, linear, Gaussian radial basis function, laplace, polynomial and sigmoid kernel functions. Results: The best classification performance was obtained by Support Vector Machine model constructed by laplace kernel function based on the results of performance metrics. The accuracy, area under ROC curve, sensitivity and specificity metrics with 95% CI were calc ulated as; 0.9804 (0.9716 - 0.987), 0.9332 (0.9096 - 0.9567), 0.9999 (0.9791 - 1.000) and 0.9776 (0.9675 - 0.9852), respectively. Conclusion: When the performance metrics were taken into account, the best classification performance was achieved from the Laplace Support Vector Machine model. In subsequent studies, the use of Support Vector Machine models with different kernel functions and other machine learning or data mining algorithms in different clinical trials may improve the classification success of the diseases.

PDF

___

Sezgin AT, Yıldırır A, Müderrisoğlu H. Akut Koroner Sendromlar III: Kararsız angina pektoris/ST yükselmesiz miyokard infarktü- sü. İç Hastalıkları Dergisi 2003; 10: 121-30.
Amsterdam EA, Wenger NK, Brindis RG, et al. management patients elevation acute coronary syndromes: executive summary: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines. Circulation ; 130: 2354.
Grech ED, Ramsdale DR. Acute coronary syndrome: unstable angina and non-ST segment elevation myocardial infarction. BMJ ; 326: 1259-61.
Guariguata L, Whiting DR, Hambleton I, Beagley J, Linnenkamp U, Shaw JE. Global estimates of diabetes prevalence for 2013 and projections for 2035. Diabetes Res Clin Pract ; 103: 137-49.
Minitab I. MINITAB statis tical software. Minitab Release 2015; 16.
Breunig MM, Kriegel H-P, Ng RT, Sander J, editors. LOF: identifying density-based local outliers. In: ACM Sigmod Record 2000; 29; 104.
Lee J, Kang B, Kang S-H. Integrating independent component analysis and local outlier monitoring. J Process Control 2011; 21: 1011
Pathak J, Bailey KR, Beebe CE, et al.Normalization and standardization of electronic health records for high-throughputphenotyping: the SHARPn consortium. J Am Med Inform Assoc 2013; 20: e341-e8.
9. Eminoğlu U. Matlab GUI kullanılarak rüzgâr türbini sistemleri için tasarım optimizasyonu paketinin geliştirilmesi ELECO 2012 ElektrikElektronik ve Bilgisayar Mühendisliği Sempozyumu; 29 Kasım - 01 Aralık 2012; Bursa.
Cortes C, Vapnik V. Support-vector networks.Machine Learning 1995; 20: 273-97.
Team R. RStudio: Integrated Development for R. RStudio, Inc., Boston, MA. 2016.
Torgo L, Torgo ML. Package "DMwR". Comprehensive R Archive Network. 2013.
Kuhn M. Caret package. J Stat Softw 2008; 28: 1-26.
. Zeileis A, Hornik K, Smola A, Karatzoglou A.Kernlab-an S4 package for kernel methods in R. J Stat Softw 2004; 11: 1-20.
15. Wickham H. ggplot2: elegant graphics for data analysis. J Stat Softw 2010; 35: 65-88.
16. Sing T, Sander O, Beerenwinkel N, LengauerT. ROCR: visualizing classifier performance in R. Bioinformatics 2005; 21: 3940-1.
17. Corp I. IBM SPSS Statistics for Windows,version 24.0. IBM Corp Armonk, NY; 2017.
18. Inzucchi SE, Bergenstal RM, Buse JB, et al. Management of hyperglycaemia in type 2 diabetes: a patient-centered approach. Position statement of the American Diabetes Association (ADA) and the European Association for the Study of Diabetes (EASD). Diabetologia 2012; 55: 1577-96.