Objective: Eight different learning algorithms used for creating artificial neural network (ANN) models and the different ANN models in the
prediction of coronary artery disease (CAD) are introduced.
Methods: This work was carried out as a retrospective case-control study. Overall, 124 consecutive patients who had been diagnosed with
CAD by coronary angiography (at least 1 coronary stenosis > 50% in major epicardial arteries) were enrolled in the work. Angiographically, the
113 people (group 2) with normal coronary arteries were taken as control subjects. Multi-layered perceptrons ANN architecture were applied.
The ANN models trained with different learning algorithms were performed in 237 records, divided into training (n=171) and testing (n=66) data
sets. The performance of prediction was evaluated by sensitivity, specificity and accuracy values based on standard definitions.
Results: The results have demonstrated that ANN models trained with eight different learning algorithms are promising because of high
(greater than 71%) sensitivity, specificity and accuracy values in the prediction of CAD. Accuracy, sensitivity and specificity values varied
between 83.63% - 100%, 86.46% - 100% and 74.67% - 100% for training, respectively. For testing, the values were more than 71% for sensitivity,
76% for specificity and 81% for accuracy.
Conclusions: It may be proposed that the use of different learning algorithms other than backpropagation and larger sample sizes can improve the
performance of prediction. The proposed ANN models trained with these learning algorithms could be used a promising approach for predicting CAD
without the need for invasive diagnostic methods and could help in the prognostic clinical decision.
Amaç: Bu çalışmada, koroner arter hastalığının (KAH) tahmin edilebilmesi için değişik sekiz öğrenme algoritması ile farklı yapay sinir ağı
modelleri oluşturulmuş ve tanıtılması amaçlanmıştır.
Yöntemler: Bu çalışma geriye dönük bir vaka kontrol araştırması olarak gerçekleştirilmiştir. Çalışmaya, anjiyografik olarak majör epikardiyal
arterlerin en az bir tanesinde %50’den fazla darlığı olan 124 ardışık birey dâhil edildi. Anjiyografik olarak normal koroner arterlere sahip olan 113
birey ise kontrol grubu olarak alınmıştır. Çok katmanlı “perseptron” yapay sinir ağları uygulandı. Değişik sekiz öğrenme algoritması ile eğitilen
farklı yapay sinir ağı modelleri, toplam 237 kayıtta, 171’i eğitimde ve 66’sı ise teste kullanılarak oluşturuldu. Tahminin performansı, duyarlılık,
seçicilik ve doğruluk oranlarına dayalı olarak değerlendirilmiştir.
Bulgular: Çalışmanın sonuçları, oluşturulan yapay sinir ağı modelleri ile KAH’ın tahmininde yüksek oranda (%71.0’den daha yüksek) duyarlılık,
seçicilik ve doğruluk oranları elde edildiği için modellerin performansının iyi olduğunu göstermiştir. Doğruluk, duyarlılık ve seçicilik değerleri
eğitimde sırasıyla %83.63 - %100, %86.46 - %100 ve %74.67 - %100 arasında iken, testte ise duyarlılık %71’den daha büyük, seçicilik %76’dan
daha büyük ve doğruluk %81’den daha büyük olarak elde edilmiştir.
Sonuç: Geriye yayılım algoritmasından başka farklı öğrenme algoritmalarının ve daha büyük örnek çaplarının kullanılması, tahminin
performansını artırabilir. Değişik sekiz öğrenme algoritması ile eğitilen farklı yapay sinir ağı modelleri, KAH’ın tahmin edilmesinde ümit verici
sonuçlar vermektedir ve ileriye yönelik klinik tanı sürecinde kullanılabilir.
