Otizm Spektrum Bozukluğu Tanısında Öznitelik Seçimi Yoluyla Farklı Sınıflandırıcıların Karşılaştırılması

Abstract

Listen

Translate article

Otizm Spektrum Bozukluğu (OSB), sosyal etkileşim ve iletişimde zorluklar, tekrarlayıcı işlemler ve duygusal sorunlar gibi belirgin bir dağılıma sahip karmaşık bir nörogelişimsel durumdur. Bireylerin sosyal etkileşimi, iletişimin gelişmesi ve belirli davranış kalıpları üzerindeki zorluklarla birlikte kendini gösterir. Otizmin genellikle erken çocukluk döneminde başladığı ve bu dönemde belirginlik kazandığı gözlemlenmektedir. Otizmde erken teşhis önemlidir; çünkü erken tanı ile tedavinin erken başlaması mümkündür. OSB sorununun teşhisi için geleneksel yöntemlere ek olarak, günümüzde istikrarlı çıkarımları ile farklı pek çok alanda uygulamaları olan makine öğrenmesi yöntemleri teşhis başarısını arttırmak amacıyla kullanılmaktadır. Yöntemler, büyük veri setlerini analiz ederek otizm belirtilerini hızla tanımlamak, erken ve doğru teşhis sağlamak amacıyla bu çalışmada 17 girdi ve 1 hedef olmak üzere toplam 18 öznitelik değişkenden oluşan bir veri seti üzerinde öznitelik seçimi yöntemi ve sınıf dengeleme yöntemleri uygulanarak ardından dört farklı makine öğrenmesi algoritması (K-En Yakın Komşu, Lojistik Regresyon, Naive Bayes, Destek Vektör Makineleri) ile sınıflandırma işlemleri gerçekleştirilmiştir. Sınıflandırma performansı doğruluk, duyarlılık, özgüllük ve F1 skoru gibi metriklerle değerlendirilmiştir. Öznitelik seçimi sonrası, Destek Vektör Makineleri ve Lojistik Regresyon algoritmaları ile %100 doğruluk oranı elde edilirken, K-En Yakın Komşu ve Naive Bayes algoritmaları sırasıyla %94,7 ve %96,7 doğruluk sağlamıştır. Öznitelik seçimi yapılmadığında ise en yüksek doğruluk oranı %96,2 olarak kaydedilmiştir. Sonuçlar, öznitelik seçiminin makine öğrenmesi algoritmalarının sınıflandırma performansını belirgin bir şekilde artırdığını göstermektedir. Bu sonuçlar doğrultusunda OSB tanısında makine öğrenmesi yöntemlerinin uygulanabilirliğini ve doğruluğunu ortaya koymakta olup, teşhis sürecini iyileştirmek adına önemli bir katkı sağlamaktadır.