DESIGNING A NEURAL NETWORK MODEL USING K-MEANS CLUSTERING FOR RISK ANALYSIS OF LUNG CANCER DISEASE

According to the World Health Organization report in 2004, lung cancer belongs to highest mortality rate cancer type compared to others. Genetics and early starting smoke etc. become the basis for lung cancer risk. In recent years, lung cancer cases are increasing with the use of cigarettes at younger ages. One of the most important factor in the treatment of the disease is early diagnosis. Artificial intelligence methods, which have been used in many areas in recent years, are also used for early diagnosis and imaging of diseases. In this study, a hybrid artificial neural network (ANN) model was designed to bring a different perspective to the use of multilayer ANN in the literature for lung cancer risk prediction. Lung cancer risk factors were used as input data in predicting the disease. We tried to estimate the results using clustered data by K-means clustering algorithm and multi-layered ANN method. When the results obtained from the normalized and clustered data set are compared with the results in the literature, the proposed model has a higher accuracy value than the other methods.

AKCİĞER KANSERİ RİSKİ ANALİZİ İÇİN K-ORTALAMA KÜMELENMESİ KULLANAN YAPAY SİNİR AĞ MODELİ TASARIMI

Dünya sağlık örgütünün 2004 yılındaki raporuna göre akciğer kanseri diğer kanser türlerine göre ölüm oranı en fazla olan kanser türüdür. Genç yaşta sigara kullanımına başlanması ve genetik yatkınlık gibi faktörler akciğer kanseri riskine zemin hazırlamaktadır. Son yıllarda artan küçük yaşlarda sigara kullanımıyla akciğer kanseri vakalarında artış yaşanmıştır. Hastalığın tedavisinde en önemli etken erken tanıdır. Son yıllarda bir çok alanda kullanılmaya başlanan yapay zeka yöntemleri de hastalıkların görüntülenmesi ve erken tanısında kullanılmaktadır. Bu çalışmada literatürde akciğer kanseri risk tahmini için çok katmanlı Yapay sinir ağı (ysa) kullanımına farklı bir bakış açısı getirmek için hibrit bir ysa modeli tasarlanmıştır. Akciğer kanseri risk faktörleri hastalığın tahmininde girdi verileri olarak kullanılmıştır. K-ortalamalar kümeleme algoritması ile gruplandırılan veriler ile çok katmanlı Yapay Sinir Ağları (YSA) yöntemi kullanılarak sonuçlar tahmin edilmeye çalışılmıştır. Normalize edilerek kümelenen veri setinden elde edilen sonuçlar literatürdeki sonuçlarla karşılaştırıldığında önerilen yöntemin diğer literatürdeki yöntemlere göre daha yüksek doğruluk değerine ulaştığı gözlemlenmiştir.

PDF

___

Chih-Fong Tsai, Yu-Hsin Lu, Yu-Chung Hung, David C. Yen, “Intangible assets evaluation: The machine learning perspective”, Neurocomputing, vol. 175, Part A, pp. 110-120, 2016.

Hani K. Al-Mohair, Junita Mohamad Saleh, Shahrel Azmin Suandi, “Hybrid Human Skin Detection Using Neural Network and K-Means Clustering Technique”, Applied Soft Computing, vol. 33, pp. 337-347, 2015.

Priyardarshni, J.S. Sohal, “Improvement of Artificial Neural Network Based Character Recognition System”, Using Scilab, Optik, Volume 127, Issue 22, pp. 10510-10518, 2016.

M.A. Elangasinghe, N. Singhal, K.N. Dirks, J.A. Salmond, S. Samarasinghe, “Complex time series analysis of PM10 and PM2.5 for a coastal site using artificial neural network modelling and k-means clustering”, Atmospheric Environment, vol. 94, pp. 106-116, 2014.

Feng F, Wu Y, Wu Y, “The effect of artificial neural network model combined with six tumor markers in auxiliary diagnosis of lung cancer”, J Med Syst, vol. 36, no. 5, pp. 2973-2980, 2012.

S. Ashwin, J. Ramesh, S. Kumar, K. Gunavathi, “Efficient and reliable lung nodule detection using a neural network-based computer aided diagnosis system”, Proceedings of the International Conference on Emerging Trends in Electrical Engineering and Energy Management (ICETEEEM 2012), pp. 135– 142, 2012.

N. Ganesan, K. Venkatesh, M. Rama, A. Palani, “Application of neural networks in diagnosing cancer disease using demographic data”, International Journal of Computer Applications, vol. 1, no. 26, pp. 76–85, 2010.

U. Kaya, A. Yılmaz, E. Saykol, “Designing Multi- layered Artificial Neural Networks for Risk Analysis of Lung Cancer Disease”, Proc. of the 5th International Symposium on Innovative Technologies in Engineering and Science, Baku, Azerbaijan, September 2017.

P. Lisboa, A. Taktak, “The use of artificial neural networks in decision sup- port in cancer: A Systematic review”, Neural Networks, vol. 19, Issue 4, pp. 408–415, 2006.

V. Gant, S. Rodway, J. Wyatt, “Artificial neural networks: Practical considerations for clinical applications”, Clinical Applications of Artificial Neural Networks, pp. 329–356, 2001.

M.G. Alvarez, C.B. Pelayo, “Molecular basis of cancer and clinical applications”, Surgical Clinics of North America, Sciencedirect, vol.80, issue 2, pp. 443–457, 2000.