Çeşitli çekirdek fonksiyonları ile oluşturulan destek vektör makinesi modellerinin performanslarının incelenmesi: Bir klinik uygulama

Abstract

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 mellitus'u 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 performansını elde etmeye çalışmaktır. Materyal ve Metot: Bu çalışmada incelenen veriler, İnönü Üniversitesi Turgut 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 doğruluk, 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. Anahtar Kelimeler: Destek vektör makinesi, çekirdek fonksiyonları, akut koroner sendromu, Tip II diabetes mellitus.

The Performance Exploration of Support Vector Machines Models Constructed with Various Kernel Functions: A Clinical Application Aim: The primary aim of this study is to examine and compare the classification performance of support vector machine models 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 model and to achieve the best classification performance. Material and Methods: 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 calculated 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. Key words: Support vector machine, kernel functions, acute coronary syndrome, type II diabetes mellitus.