SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016 Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (ANFIS) le tespt edlmes Bülent Haznedar 1*, Adem Kalınlı 2 ÖZ 29.06.2015 Gelş/Receved, 29.08.2015 Kabul/Accepted Kanın damar çnde ya da br organda pıhtılaşması olan Tromboz a yol açan hastalıklarda öneml sağlık sorunları ortaya çıkmakta ve hatta brçok vakada nsanlar hayatını kaybedeblmektedr. Tromboz gelşm multfaktoryel olup, çok sayıda ednsel ve kalıtsal faktörün değşk mekanzmalarla tromboz oluşumuna neden olduğu blnmekte se de tromboza yatkınlık olarak blnen Trombofl tanısının konmasında öneml zorluklar yaşanmaktadır. Bu kapsamda, geleneksel sınıflandırma yöntemlernn klnk, laboratuvar ve genetk tetkklere at verlern değerlendrlmesndek başarımları se çoğunlukla sınırlı kalablmektedr. Bu çalışmada, Trombofl hastalığı le genetk bozukluklar arasındak lşknn tespt edleblmes çn Adaptf Ağ Tabanlı Bulanık Mantık Çıkarım Sstem (ANFIS) kullanılmış ve elde edlen sonuçlar lteratürde yaygın olarak kullanılan bazı sınıflandırma algortmalarına at sonuçlarla karşılaştırılmıştır. Elde edlen sonuçlardan, ANFIS le elde edlen sonuçların daha başarılı olduğu görülmüştür. Anahtar Kelmeler: ANFIS, bulanık mantık, Trombofl Detecton of the relatonshp between thrombophla dsease wth genetc dsorders by adaptve neuro-fuzzy nference system (ANFIS) ABSTRACT Thromboss s a condton nvolvng the clottng of bloods n the vens or n an organ, whereas thrombophla s a term used to descrbe a predsposton for thromboss. In dseases causng major health problems that are related to thromboss, people may even lose ther lves n many cases. Thromboss s multfactoral, t s known to cause a number of acqured and heredtary factors whch lead to thromboss formaton through varous mechansms. Therefore, many dffcultes are experenced n the dagnoss of thrombophla. In ths context, tradtonal statstcal methods are often nadequate for the evaluaton of clncal and laboratory data. In ths study, n order to determne the relatonshp between genetc dsorders and thrombophlc dsease, the Adaptve Neuro-Fuzzy Inference System (ANFIS) s used and our results are compared to the results of some of the commonly-used classfcaton algorthms. Smulaton results showed that the results from usng ANFIS were more successful than those obtaned from consdered classfcaton algorthms. Keywords: ANFIS, neuro-fuzzy, fuzzy logc, Thrombophla * Sorumlu Yazar / Correspondng Author 1 Hasan Kalyoncu Ünverstes, Mühendslk Fakültes, Blgsayar Mühendslğ, Gazantep bulent.haznedar@hku.edu.tr 2 Ercyes Ünverstes, Mühendslk Fakültes, Blgsayar Mühendslğ, Kayser - kalnla@ercyes.edu.tr
B. Haznedar, A. Kalınlı Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes 1. GİRİŞ (INTRODUCTION) İnsanda damar hasarından sonra kanamanın durablmes çn gerçekleşen normal pıhtılaşma sürecne Hemostaz denr. Kanın br atardamar veya toplardamar çnde ya da br organda pıhtılaşmasına se Tromboz, pıhtıya se trombus denr. Trombofl (Thrombo-phla: trombozu sevme) se tromboza eğlm yaratan tabloları tanımlamakta kullanılan br termdr. Tromboz gelşm multfaktoryel olup, çok sayıda ednsel ve kalıtsal faktörün değşk mekanzmalarla tromboz oluşumuna neden olduğu blnmektedr [1-19]. Tromboz genellkle br damarın ç yüzündek br bozukluk sonucu meydana gelr. Bu bozukluk o tabakada oluşan br yozlaşma (aterom, travma) nedenyle olableceğ gb, kaza sonucu, amelyatlar veya bazı zehrler, laçlar, mkrobk hastalıklar, bazı kan bozuklukları ve uzun süre yatakta kalmayı gerektren ya da hastayı zayıf düşüren hastalıklar da Tromboza yol açablmektedr. Bu hastalıklarda kanın pıhtılaşmasına bağlı damar tıkanıkları kalp, akcğer ve beyn gb organlarda pıhtı oluşması, gebelklern düşük veya ölü doğum le sonuçlanması gb öneml problemler yaşanmaktadır. İler yaş, sgara çme, hpertansyon, dabet, östrojen kullanımı, atryal fbrlasyon, varsler, gebelk, genel cerrah grşmler ve travmalar gb ednsel pek çok faktörün Tromboza neden olabldğ blnmektedr [8-12, 20]. Kalıtsal pıhtılaşma bozuklukları se genel olarak bast tanımlamayla kanın pıhtılaşmaya eğlm gösterdğ bazı hastalıkları kapsamaktadır ve genetk bozukluklara bağlı olarak ırs yan kuşaktan kuşağa geçeblen ve doğuştan ednlmş hastalıklardır. Kalıtsal Tromboflde, Anttrombn eksklğ, Proten C eksklğ, Proten S eksklğ, Faktör V Mutasyonu ve bazı gen mutasyonlarının etkl olduğu gösterlmştr [2-6]. Bunlar dışında her geçen gün kalıtsal tromboflye neden olduğu dda edlen bozukluklar tanımlanmaktadır. Bununla beraber günümüzde hala kalıtsal trombofl düşünülen vakaların %40-60 ında tüm ncelemelere rağmen hastalığın nedenn ortaya koymak mümkün olamamaktadır [7]. Tromboflnn multfaktöryel nedenlere bağlı olmasından dolayı tanı konmasında zorluklar yaşanmaktadır. Örneğn klnk olarak Dern Ven Trombozu (DVT) tanısı konulan hastaların çok az kısmında gerçek hastalık bulunduğu ve bazı yüksek rskl olgularda se lokal bulgu ve semptomlar olmadan DVT gelştğ görülmektedr. Yne bazı hastalarda an gelşen ve ölümcül seyrl Pulmoner Embol (Akcğer embols) görüleblmektedr [3]. Klnk tanısal yaklaşımda, hastaların öyküsüne lave olarak fzksel muayene ve rutn laboratuvar testler yapılmaktadır. Seçlen hasta alt guruplarına se kalıtımsal trombofl sebeplerne yönelk genetk testler uygulanmaktadır. Ancak kalıtsal trombofl tanısı çn yapılacak testler oldukça zahmetldr ve pahalıdır [21]. Ayrıca, uygun testler kullanılmazsa yanıltıcı sonuçlar elde edlebleceğnden bu hastalara uygulanacak testlern doğru seçlmes de önemldr. Çalışmalar, çoklu parametrelere bağlı kompleks hastalıkların tanısının tahmn edlmesnde, genel popülasyonda lgl rsklern genlğnn düşük olması ve genotplern tamamlanmamış özellkler (ncomplete penetrance of genotypes) nedenyle genetk tetkklern sınırlı blg sağlandığını göstermektedr. Dğer taraftan, bu tür çalışmalar genellkle aynı anda br genn etksn ncelemektedr. Ancak, bu tür kompleks hastalıkların tanısında genetk ve çevresel faktörlern brlkte değerlendrlmesnn hastalığın etyolojs çn daha anlamlı ve öneml sonuçlar sağlayacağına nanılmaktadır [22, 23]. Bununla brlkte, çoklu parametrelern trombofl hastalığının tanısındak etklernn araştırılmasına yönelk çalışmalar se henüz sınırlı düzeydedr [24, 25]. Ayrıca henüz kşnn venöz tromboz rsknn doğru tahmn edlmesne yönelk rsk modeller de mevcut değldr ve bu konu oldukça zordur [26]. Venöz trombozun matematksel olarak tahmn edlmesne yönelk yalnızca brkaç çalışma bulunmaktadır. Çalışmalar göstermektedr k, kşsel embol rsknn etkl br şeklde tahmn edleblmes ancak klnk, çevresel ve genetk değşkenler de dkkate alan sofstke modeller le mümkün olablecektr [27]. Ancak bu konularda yapılan çalışmalar se henüz sınırlı düzeydedr. Çoklu hastalık durumları, hastalara at verlern çokluğu ve bu verler arasında çoğunlukla doğrusal olmayan lşkler bulunması gb nedenlerden dolayı, klnk ve laboratuvar verlernn değerlendrlmesnde geleneksel sınıflandırma algortmalarının başarımları sınırlı kalablmektedr. Hastalıkların sınıflandırılması, görüntülerden blg çıkarımı, hastalık seyrnn kestrm, tedav planlama ve hasta verler arasındak blnmeyen lşklern tespt edlmes gb tıbb uygulamaların zorluğu araştırmacıları daha modern ve güçlü yöntemler kullanmaya sevk etmştr. Bu amaçla, zor problemlern çözümünde araştırmacıların lgs gderek artan br oranda yapay zeka yöntemler üzerne yoğunlaşmaya başlamıştır. Penco ve arkadaşları Yapay Snr Ağları (YSA) kullanarak venöz torombozun öneml rsk faktörlernn belrlenmesne yönelk br çalışma yapmışlardır. Yaptıkları çalışmada YSA nın dğer analtk metotlara göre daha başarılı sonuçlar verdğn göstermşlerdr [28]. Shanth ve ark. beynde troembolk tıkanma olasılığını tahmn etmek çn çok katmanlı ler beslemel YSA model kullanmışlardır. Hastanın yaş, cnsyet, 14 SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016
Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes B. Haznedar, A. Kalınlı hpertansyon, dabet, sgara ve alkol kullanımı, kalp damar tıkanıklığı, görüntü kaybı gb 25 parametrenn dkkate alındığı bu çalışmada YSA nın beynde troembolk tıkanıklık htmalnn belrlenmesnde başarılı br şeklde kullanılableceğ gösterlmştr [29]. Dahabah ve ark. Klnsyenlern daha önce değerlendrdğ ultrason görüntülernden venöz trombolnn karakterze edlmes üzerne br çalışma yapmışlardır [30]. Markus ve ark. Doppler ultrason snyallernn snyal lmeme teknkler le değerlendrlerek embolk snyallarn tespt üzerne br çalışma yapmışlardır. Dkkate alınan verler üzernde başarılı sonuçlar elde edlmesne rağmen, dkkate alınan yöntem çevrm çn değerlendrme yapablecek br otomasyon sstem olmaması nedenyle gelştrlmeye muhtaçtır [31]. Kemeny ve ark. Yaptıkları çalışmada doppler ultrason snyallernn kullanarak embol tespt çn YSA kullanmışlardır [32]. Yaptıkları çalışmada sonuçların çok başarılı olmadığını ancak bu başarısızlıkta uygun snyal-gürültü oranının uygun seçlmemesnn etkl olduğunu fade etmşlerdr. Bununda bazı eşkleme algortmaları le aşılableceğn ve embol tesptnde otomasyon sstemlernn gelştrlmesne büyük htyaç duyulduğunu fade etmşlerdr. Bu çalışmada, Trombofl hastalığı tanısı konmuş bu hastaların klnk verler le genetk bozukluk olup olmama durumu arasındak lşknn belrlenmes amacıyla Adaptf Ağ Tabanlı Bulanık Mantık Çıkarım Sstem (ANFIS) nn kullanılması araştırılmıştır. Elde edlen sonuçlar sınıflandırma algortmalarına at sonuçlarla karşılaştırılarak yorumlanmıştır. Makalenn knc Bölümünde, Adaptf Ağ Tabanlı Bulanık Mantık Çıkarım Sstem (ANFIS) hakkında blg verlmş, üçüncü bölümde gerçekleştrlen uygulama ve elde edlen sonuçlar zah edlmş ve dördüncü bölümde sonuçlar tartışılmıştır. 2. ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİ (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM, ANFIS) ver kümelern kullanıp br öğrenme algortması vasıtasıyla optmze etmektr. Parametre optmzasyonu, gerçek çıkış le hedef çıkış arasındak hata değer mnmum olacak şeklde yapılmaktadır [36]. ANFIS, bulanık çıkarım sstemndek eğer-se kuralları ve grş çıkış blg çftlernden oluşur. Ancak sstem eğtmnde ve denetmnde YSA öğrenme algortmaları kullanılır [37,38]. x ve y grş, z se çıkış olarak alınırsa temel kural yapısı şu şeklde yazılablr: Eğer x A ve B y se z p x q y r Burada A ve B sırasıyla öncül kısımdak x ve y değşken uzayını bulanık alt uzaylara ayıran kümelern etketdr. p, q ve r eğtme şlem boyunca belrlenen tasarım parametrelerdr. z se o kurala at çıkış değer olup grş değşkenlernn br fonksyonudur. Herhang br x, y grd çft çn sonuç çıkış değer se tüm kuralların çıkış değer olan z lern ağırlıklı ortalamasıdır [35]. z çıkış değernn hesaplanması Eştlk (1) de verlmştr. Z k w Z m m m1 m1 k m / w (1) Aşağıda verlen k bulanık kurala bağlı olarak, brnc derece bulanık Sugeno model çn olası ANFIS mmars Şekl 1 de verlmştr. ANFIS modelnn katmanlarını genel olarak özetlersek, 1. katmanda grş verlerne üyelk fonksyonları uygulanarak bulanıklaştırma şlem yapılır. 2. katmanda bulanık mantık çıkarım sstemne göre kurallar oluşturulur. 3. katmanda kural katmanından gelen her br düğüme, ağırlıklı ortalama le normalzasyon şlem uygulanır. 4. katmanda se bulanık sonuçlar sayısal değerlere dönüştürülür ve son olarak 5. katmanda tüm düğümlern çıkış değerler toplanarak sstemn tek çıkış değer üretlr. Adaptf ağ tabanlı bulanık mantık çıkarım sstem (ANFIS), Sugeno tp bulanık sstemnn, snrsel öğrenme kablyetne sahp br ağ yapısı olarak temslnden barettr [33]. Yapısında hem yapay snr ağları hem de bulanık mantık kullanılır [34]. Snr ağı le bulanık sstemn kombnasyonu bulanık-snr ağı olarak adlandırılır. ANFIS, öğrenme ve adaptasyon şlemlern kolaylaştırmak çn, adaptf sstemlerden yararlanan bulanık Sugeno modeldr. Böyle br yaklaşım bulanık mantığı daha sstematk ve tecrübeye daha az bağlı hale getrmektedr [35]. ANFIS n temel amacı, eşdeğer bulanık mantık sstemnn parametrelern, grş-çıkış Şekl 1. Adaptf ağ tabanlı bulanık mantık çıkarım sstem (Adaptve Neuro-Fuzzy Inference System) [39]. Şeklden görüleceğ gb ANFIS, 5 katmanlı ler beslemel br yapay snr ağı mmarsne sahptr. Bu SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016 15
B. Haznedar, A. Kalınlı Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes mmar çn öğrenme algortmasının temel görev, ANFIS çıktısı le öğrenme verlern benzetmek çn tüm uyarlanablr parametreler ayarlamaktır. Eğtm ver set, snr ağına tanıtılır ve herhang br eğtme algortması yardımıyla ağ eğtlr. Model çıktısı le öğrenme verler arasındak hata fonksyonun mnmum olduğu şartların belrlenmes hedeflenr [40]. ANFIS yapısındak her katmana at düğüm şlevler ve katmanların sleyş aşağıda açıklanmıştır. 1.Katman: Bulanıklaştırma katmanı olarak adlandırılır. Grş değerlern bulanık kümelere ayırmada ANFIS model kullanılmıştır. Bu katmandak hücreler, adaptf (uyarlanablr) hücrelerdr ve hücre sayısı grd değşken sayısına eşttr. Burada, her br düğümün çıkışı, grş değerlerne ve kullanılan üyelk fonksyonuna bağlı olan üyelk derecelernden oluşmaktadır. Bu tabakadak hücrelern çıktıları ( O 1 ) çn Eştlk (2) ve Eştlk (3) verlmektedr [41]. O1 A ( x) 1, 2 (2) O ( ) 1 B 2 x 3, 4 (3) Burada, parametres, A ve B herhang br bulanık küme B bu küme parametreler çn A ve üyelk derecelerdr. Çan eğrs şeklnde üyelk fonksyonu kullanıldığında, A çn aşağıdak eştlk verleblr. 1 A 1, 2 (4) 2 b x c 1 a Burada, a, b ve c sırasıyla, çan eğrs şekll üyelk fonksyonun sgması, eğm ve merkezdr. 2.Katman: Kural katmanıdır. Bu katmandak her br düğüm, Sugeno bulanık mantık çıkarım sstemne göre oluşturulan kuralları ve sayısını fade etmektedr. Bu katmandak hücreler sabttr ve hücre sayısı kural sayısına eşttr. Hücre grdler, kuralların öncül kısmındak değşkenlernn üyelk fonksyonu değerlerdr ve hücre çıktıları ( O 2 ) kuralların ağırlık derecelern ( w ) vermektedr. Her br kural düğümünün çıkısı 1. katmandan gelen üyelk derecelernn çarpımı olmaktadır. O w A ( x). B ( ) 1, 2 2 y (5) 3.Katman: Normalzasyon katmanıdır. Bu katmandak her br düğüm, kural katmanından gelen tüm düğümler grş değer olarak kabul etmekte ve her br kuralın normalleştrlmş ateşleme sevyesn hesaplamaktadır. Bu katmandak hücreler de sabt hücrelerdr, grdler öncek tabakadan aldıkları ağırlık derecelerdr. Bu tabakada ağırlık dereceler normalze edlr. O 3 w w 1, 2 w w 1 2 (6) 4.Katman: Arındırma katmanıdır. Arındırma katmanındak her br düğümde verlen br kuralın ağırlıklandırılmış sonuç değerler hesaplanmaktadır. Bu katmandak hücreler adaptf hücrelerdr ve bu hücrelern çıktısı Eştlk (7) dek şeklde hesaplanır. O w. f w.( p x q y r ) 1, 2 (7) 4 5.Katman: Toplam katmanıdır. Bu katmanda sadece br düğüm vardır ve le etketlenmştr. Burada, 4. katmandak her br düğümün çıkış değer toplanarak sonuçta ANFIS sstemnn gerçek değer elde edlr. Sstemn çıkış değer se, O 5 f w. f w. f formülüne göre hesaplanmaktadır [42-47]. w 1,2 (8) ANFIS parametrelernn optmzasyonunda, gerye yayma, en küçük kareler kestrm, Kalman fltres yada brden fazla matematksel optmzasyon yöntemnn brleşmesnden oluşan hbrd öğrenme algortmaları gb değşk yöntemler kullanılablr [48, 49]. 3. DENEYSEL ÇALIŞMALAR VE ANALİZ (EXPERIMENTAL STUDIES AND ANALYSIS) 3.1. Makne Öğrenmes Algortmaları le Başarım Analz (Performance Analyss wth Machne Learnng Algorthms) Çalışma kapsamında Ercyes Ünverstes Tıp Fakültes Genetk Anablm dalından temn edlen 180 hastaya at verler dkkate alınmıştır. Ver setnde uzman hekmlern öner ve yönlendrmeler le genetk bozukluk olup olmaması hususunda etkl olableceğ öngörülen 47 farklı parametreye at blglere yer verlmştr. Ancak, verler üzerne yapılan ncelemelerde hastaların tamamının dkkate alınan 47 parametreye at verlernn 16 SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016
Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes B. Haznedar, A. Kalınlı bulunmadığı görülmüştür. Analzlern genelleneblr sonuçlar üreteblmes amacıyla mümkün olduğunca fazla sayıda hasta çn mevcut olan ve statstksel olarak anlamlılık düzey yüksek olan verler üzerne gerekl çalışmaların yapılması kararına varılmıştır. Verler üzernde yapılan ncelemede hang parametre verlernn kaç hastada mevcut olduğu tespt edlmştr. Çalışmamızda uygulayacağımız mühendslk modelne uygun sayıda eğtm ve test ver set belrleyeblmemz çn yeterl mktarda hasta sayısı olması gerekmektedr. Bu kapsamda, elmzde bulunan verler dkkate aldığımızda 70 adet hastanın çalışmamız çn yeterl olduğu düşünülerek 72 veya daha az sayıda hastada bulunan parametreler ver setnden çıkartılmıştır. Sonuç olarak 180 hastaya at 39 adet parametrenn dkkate alınmasına karar verlmştr. ERÜ Genetk Anablm dalı öğretm üyeler le yapılan çalışmalarda, Demr ve Demr Bağlama parametrelernn brbrn temsl edeblr parametreler oldukları öngörülmüştür [50,51]. İstatstksel yöntemlerden olan Roc analz verlermze uygulanmış, elde edlen sonuçlar doğrultusunda Demr Bağlamanın genetk bozukluk varlığının tesptnde Demr parametresnden daha etkl olduğu görülerek, Demr parametres ver setnden kaldırılmıştır. Roc analznde her değşken çn ayrı ayrı Roc eğrler çzlmş ve eğr altında kalan alanları hesaplanmıştır. Eğr altında kalan alanlar Demr ve Demr Bağlama parametreler çn sırasıyla 0.569 ve 0.585 olarak elde edlmştr. Dolayısıyla genetk bozukluğun ayırt edclğnn belrlenmesnde Demr Bağlamanın daha yüksek br kestrm gücü olduğu belrlenmştr. Aynı şeklde ERÜ Genetk Anablm dalı öğretm üyelernden alınan blgler doğrultusunda brbrn temsl etme durumunun Glukoz-Alkalen Fosfataz, LDL-APC Resstansı ve Kolestrol-Magnezyum parametreler arasında da olduğu anlaşılmıştır [52,53]. Yne bu parametreler çn de yapılan Roc analz netcesnde Glukoz, APC Resstansı ve Magnezyum parametrelernn genetk bozukluk varlığının tesptnde daha etkl oldukları anlaşılmıştır. Böylelkle Alkalen Fosfataz, LDL ve Kolestrol parametreler de ver setnden çıkarılmıştır. Sonuç olarak ver setnde, parametre sayısı 35 olan toplam 180 hastaya at verler bırakılmıştır. Tablo 1 de dkkate alınan 35 adet parametre ve bu parametre değerne sahp hasta sayıları verlmştr. Yapılan bu çalışmalardan sonra kalan hasta verler çersnde hala 35 parametrenn tüm değerler dolu olmayan hastaların bulunduğu görülmüştür. Oluşturulacak model çn kullanılacak örnek ver set boyutunu daha yüksek tutablmek amacıyla, hastaların boş olan parametre değerlernn Eksk Ver Atama (Mssng Value Imputaton) yöntemnn Beklent- Maksmzasyonu (Expectaton-Maxmzaton) algortması le rastgele doldurulması yoluna gdlmştr [54]. Ancak, bu yöntemle üretlen parametre değerlernn büyük oranda klnk olarak anlamlı olmadığı görülmüş ve üretlen bu değerler çalışmada kullanılmamıştır. Genelleneblr sonuçlar elde edeblmek çn eğtme ve test gurubunda yer alacak hasta sayılarının belrl br mktarda olması gerektğ blnmektedr. Bu nedenle toplamda en az 100 hastaya at br ver set le çalışmanın uygun olacağı kanaatne varılmıştır. Bu kapsamda yapılan ncelemeler netcesnde yne ERÜ öğretm üyeler le yapılan çalışmalar netcesnde, klnk olarak anlamlı olablecek 8 adet parametre değer bulunan (ACA IGG,ACA IGM, APC Resstansı, FreeT3, FreeT4, Hemossten, Proten S ve TSH) 103 adet hasta olduğu görülmüştür. Bu hastaların 60 ında genetk bozukluk mevcut olup, 43 tanesnde se genetk bozukluk bulunmamaktadır. 103 hastaya at verler üzernde statstksel çalışmaların Özntelk Seçm (Feature Selecton) yöntem uygulanarak 8 adet parametrenn anlamlılık düzeyler belrlenmştr. Bu yöntemde K-kare (X 2 ) dağılımı test kullanılmıştır. Bu test le sınıf değşken ve her özntelk arasındak bağımsızlık araştırılmıştır. Elde edlen test statstkler sıralanarak özntelk seçm yapılmıştır [55]. Özntelk seçm krter olarak p<0.10 düzey kullanılmıştır. Yapılan bu çalışma le sadece FreeT3, FreeT4, Hemossten, Proten S ve TSH parametrelernn model çn anlamlı oldukları görülmüştür. Anlamlı olarak bulunan bu 5 parametrenn Özntelk Seçm yöntemyle bulunan K-kare değerler Şekl 2 de verlmştr. Yapılan statstksel ön çalışmalar sonucunda, başarım analzler çn dkkate alınan ver setnde 103 adet örnek ve 5 adet özntelk yer almıştır. 10 9,5 8,5 9 7,5 8 Şekl 2. Özntelk Seçm yöntemyle bulunan K-kare değerler (Ch- Square values found by Feature Selecton method) Tablo 1. Parametreler ve Ver Değerne Sahp Hasta sayıları (Parameters and The Number Of Patents wth Data Values) Parametre Hasta Sayısı Kreatnn 182 PROTEIN S 182 ALT 179 AST 177 SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016 17
B. Haznedar, A. Kalınlı Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes BUN 173 Glukoz 171 APC Resstansı 167 TSH 164 FREET4 157 Hemossten(HPLC İle) 154 Sodyum 153 Total_Blrubn 148 Drek_Blrubn 146 LDH 144 FREET3 143 ACA IGG 139 ACA IGM 138 Kalsyum 134 Albümn 133 Total Proten 130 Potasyum C 129 Ürk_ast 114 Potasyum 112 GGT 107 Klor 103 Fosfor 99 HBS AG (Doğrulama Dahl) 89 Magnezyum 86 Vtamn B-12 85 Trglsert 82 HDL Kolesterol 81 Sedmantasyon 80 CPK 78 Demr Bağlama 78 ANTİ-HCV1 72 Lojstk Regresyon, Sınıflandırma Ağaçları, Rastgele Orman ve Destek Vektör Maknaları yöntemler kullanılarak, Trombofl tanısı konmuş 103 hastaya at verlerden hareketle, belrlenen 5 parametre le hastalarda genetk bozukluk bulunup bulunmadığının tespt edlmesne yönelk analzler yapılmıştır. Hasta sayısının sınırlı olması nedenyle, modeln genelleştreblme yeteneğn doğru br şeklde değerlendreblmek çn çapraz doğrulama (cross valdaton) yöntemlernden K parçalı yöntem kullanılmıştır. K parçalı çapraz geçerllk yöntemnde amaç br deney bağımsız koşullarda yneleyerek sonuçlarının geçerllğn sınamadır. Örneğn, statstksel sınıflandırma problemlernde, br ver kümesn aşağı yukarı eşt k tane kümeye bölüp, her br k çn, sınıflandırıcıyı oluşturmak çn, k-1 kümey kullanıp ve arta kalan k ıncı küme üzernde test şlemn yapmaktır. Bu çalışmada, 5-kat çapraz doğrulama yöntem kullanılmış ve elde edlen sonuçlar Tablo 2 de verlmştr. Sonuçlardan lgl yöntemlern bu problem üzerndek performanslarının genel olarak düşük olduğu görülmüştür. Özellkle lteratürde en etkl sınıflandırma algortması olarak blnen Destek Vektör Maknaları yöntemnn de anlamlı sonuçlar vermedğ görülmüştür. Çalışmada kullanılan sınıflandırma algortmaları çn Statstca 7 (Stat Soft Inc., Tulsa, USA) ve R 3.0.1 (www.r-project.org) yazılımının caret kütüphanes kullanılmıştır [56]. Destek Vektör Maknaları yöntemnde, C-SVM (C-Style Soft Margn Support Vektor Machne) algortması ve radyal tabanlı çekrdek (kernel) fonksyonu kullanılmıştır. Cost parametres 0.5 olarak optmze edlmştr [57]. Tablo 2 de verlen Duyarlılık krter genetk bozukluk var olarak bulunan hasta sayısının gerçekte genetk bozukluk bulunan hasta sayısına oranını, Seçclk krter se genetk bozukluk yok olarak bulunan hasta sayısının gerçekte genetk bozukluk bulunmayan hasta sayısına oranını vermektedr. Bu k krter sınıflandırma modelnde k öneml başarım ölçütüdür. Tablo 2 de verlen sonuçlar ncelendğnde Destek Vektör Maknaları çn başarım oranı yüzdes dğerlerne göre yüksek olsa da, seçclk değernn 0 olması bu yöntem çn elde edlen sonuçların da uygulanablr olmadığını ortaya koymaktadır. Tablo 2. Farklı yöntemlere at sınıflandırma sonuçları (Classfcaton results of dfferent methods) Yöntem Başarım (%) Duyarlılık Seçclk Lojstk 56.3 0.6500 0.4419 Regresyon Sınıflandırma 56.3 0.6500 0.4419 Ağaçları Rastgele Orman 56.3 0.7833 0.2558 Destek Vektör Maknaları 57.2 0.9833 0.0000 3.2. ANFIS le Başarım Analz (Performance Analyss wth ANFIS) Sınıflandırma algortmaları le elde edlen sonuçları karşılaştırmak üzere Yapay zeka teknklernden ANFIS (Adaptve Neuro Fuzzy Inference System) kullanılarak lave çalışmalar yapılmıştır. Bu çalışmada ANFIS çn nonlnear üyelk fonksyonları ve verlern hazırlanmasında çapraz geçerllk (cross valdaton) yöntem kullanılmıştır. Toplam 103 hastaya at ver aşağı yukarı olmak üzere 5 parçaya bölünmüştür. Her br parça kadar tekrar edlerek 4 parça ver eğtm çn ve kalan 1 parçada test çn kullanılarak elde edlen sonuçlar kaydedlmştr. Sınıflandırma modeln oluşturmak ve oluşturulan modeln test şlemn yapmak çn Matlab ortamında gerekl kodlama çalışmaları yapılmıştır. Kodlama çersnde ANFIS modelnn tüm grş değerlerne 0 ve 1 aralığında ver normalzasyonu 18 SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016
Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes B. Haznedar, A. Kalınlı uygulanmıştır. ANFIS modelnn en uygun üyelk fonksyonu, üyelk fonksyonu sayısı, terasyon sayısı ve modeln çıkış fonksyonunu belrleme çalışmaları yapılmıştır. Modeln br çok kez farklı parametreler le koşturulmasından sonra ANFIS modelnn üyelk fonksyonu trmf, üyelk fonksyonu sayısı sırasıyla 5 grş çn [2 3 3 3 3], terasyon sayısı 100 ve çıkış fonksyonu constant olarak seçlmştr. Oluşturulan ANFIS modelnde 103 hastadak 5 grş parametres ve br çıkış parametres çn başarım sonuçları Tablo 3 de verlmştr. Tablo 3. ANFIS model le başarım sonuçları (Benchmark results wth Anfs model) Yöntem Başarım (%) Duyarlılık Seçclk ANFIS 63.1 0.7333 0.4883 4. SONUÇLAR VE TARTIŞMA (CONCLUSIONS AND DISCUSSION) Bu çalışmada, Trombofl hastalığı tanısı konmuş hastaların klnk verler le genetk bozukluk olup olmama durumu arasındak lşknn belrlenmes amacıyla Adaptf Ağ Tabanlı Bulanık Mantık Çıkarım Sstem (ANFIS) nn kullanılması araştırılmıştır. Bu amaçla, Ercyes Ünverstes Tıp Fakültes Hastanes Genetk Anablmdalından temn edlen 180 hastaya at verler kullanılmıştır. Hastalığın tespt çn önem arz eden parametrelere at verlern tüm hastalar çn mevcut olmaması nedenyle, bu hastalardan 103 ünün verler bu çalışma çn kullanılablmştr. Hasta verler üzernde, Lojstk Regresyon, Sınıflandırma Ağaçları, Rastgele Orman ve Destek Vektör Maknaları yöntemler kullanılarak yapılan analzlerde, başarımın en fazla %56.3 olduğu ve ayrıca seçclk değerlernn düşük olduğu görülmüştür. ANFIS kullanılarak elde edlen sonuçlar ncelendğnde, modelnn başarım oranının, sınıflandırma algortmalarına göre daha yüksek olduğu görülmektedr. ANFIS Model le başarım oranının % 63.1 olarak gerçekleştğ, duyarlılık ve seçclk değerlernn de dğer yöntemlere göre daha başarılı olduğu görülmüştür. Sınıflandırma algortmalarının doğrusal olmayan karmaşık problemler üzerndek başarımları genel olarak sınırlı olablmektedr. ANFIS, bulanık sstemlern ve snrsel ağların blnen en y özellklern kend çyapısında brleştrmektedr. Bulanık sstemlern, grş blgsn ağ üzerne dağıtarak araştırma uzayını azaltması, Snrsel ağların se ger yayılım davranışlarını kullanarak kontrol parametrelernn doğrusal olmayan problemler çn en uygun değerlernn bulunması ANFIS modelne öneml üstünlükler kazandırmaktadır. ANFIS'n eğtlmes, sınıflandırma algortmalarına göre daha fazla şlem sayısı ve etkn hafıza kullanımı gerektrmektedr. Ancak, ANFIS br kez eğtldğnde, grşlerne uygulanan verler çn çok hızlı br şeklde sonuç vereblmektedr. Dolayısıyla, yüksek başarım düzey ve uygulamada grşlere karşılık çok kısa sürelerde cevap vereblmes ANFIS yöntemnn öneml br üstünlüğü olarak ortaya çıkmaktadır. Genel olarak, belrlenmes gereken parametre sayısının fazla olması ve ağın eğtlmesnde kullanılan ger yayılım algortmasının türeve dayalı olması nedenyle bölgesel optmuma takılma rsk çermes gb hususlar ANFIS n başarımını olumsuz etkleyeblen temel unsurlar arasındadır. Bu kapsamda, ANFIS ağının ger yayılım algortması yerne yapay zeka optmzasyon algortmaları kullanılarak eğtlmes ve lgl problem üzerndek başarımının ncelenmes se gelecek çalışmalar olarak planlanmaktadır. KAYNAKLAR (REFERENCES) [1] R. Küçükkaya, ve M. Aydın, Trombofl Genetğ, Türk Hematoloj Derneğ - Moleküler Hematoloj, Klnk Hematoloj çn Pratk Genetk Yaklaşım Kursu, Antalya, 39-43, Kasım 2006. [2] V. De Stefano, G. Fnazz ve M. Mannucc, Inherted thrombophla: Pathogeness, clncal syndromes and management, Blood, vol. 87, no. 9, pp. 3531-3544, 1996. [3] D.A. Lane, P.M. Manucc ve K.A. Bauer, Inherted thrombophla: Part-1, Thromb Haemost, vol. 76, 1996. [4] B. Dahlback, M. Carlsson ve P.J. Svensson, Famlal thrombophla due to a prevously unrecognsed mechansm characterzed by poor antcoagulant response to actvated proten C: Predcton of a cofactor to actvated proten C., Proc Natl Acad Sc USA, vol. 90, pp. 1004-1008, 1993. [5] R.M. Bertna et al., Mutaton n blood coagulaton factor V assocated wth resstance to actvated proten C., Nature, vol. 369, no. 64, 1994. [6] C.R. Falcon et al., Hgh prevalanve of hyperhomocyst(e)nema n patents wth juvenle venous thromboss, Arteroscler Thromb, vol. 14, 1080, 1994. [7] S.R. Poort, F.R. Rosendaal, P.H. Retsma, R.M. Bertna, A common genetc varaton n the 3 - untranslated regon of the protrombn gene s assocated wth elevated plasma prothrombn levels and an ncrease n venous thromboss, Blood, vol. 88, 3698, 1996. SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016 19
B. Haznedar, A. Kalınlı Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes [8] M. Makrs, F.R. Rosendaal ve F.E. Preston, Famlal thrombophla: Genetc rsk factors and management, J Int Med, vol. 242, no. 9, 1997. [9] M. Kolodzej ve P.C. Comp, Hypercoagulable states due to natural antcoagulant defcences, Curr Op Hematol, vol. 301, 1993. [10] G.M. Rodgers, Thromboss and antthrombotc therapy. In: Wntrobe s Clncal Hematology,10th Edton, Wllams and Wlkns Comp, pp. 1781-1818, 1998. [11] K.A. Bauer, The Hypercagulable state. In: Wllams Hematology 5th edton, McGraw Hll nc, pp. 1531-1549, 1995. [12] D.A. Lane, P.M. Manucc ve K.A. Bauer, Inherted thrombophla: Part-2., Thromb Haemost, vol. 76, 824, 1996. [13] R.L. Bck ve H. Kaplan, Syndromes of thromboss and hypercoagulablty, Med Cln North Am., vol. 82, 409, 1998. [14] M.B. Hultn, Antthrombn III assays. In: Wllams Hematology 5th edton, McGraw Hll nc., 101, 1995. [15] P.C. Comp, Proten C and proten S. In: Wllams Hematology 5th edton, McGraw Hll nc., 99, 1995. [16] G.N. Welch ve J. Loscalzo, Homocystene and atherothromboss, N Engl J Med, vol. 338, 1042, 1998. [17] A. D Angelo ve J. Selhub, Homocystene and thrombotc dsease, Blood, vol. 90, no. 1, 1997. [18] T. Koster et al., Role of clottng factor VIII n effect of von Wllebrand factor on occurrence of deep venous thromboss, Lancet, vol. 345, 152, 1995. [19] P.W. Kamphusen, J.J. Houwng-Dustermaat ve J.C. van Hauwelngen, Famlal clusterng of factor VIII and von Wllebrand factor levels, Thromb Haemost, vol. 79, 561, 1998. [20] F.R. Rosendaal, Venous thromboss: a multcausal dsease, Lancet, vol. 353, 1167, 1999. [21] O. Wu et al., Screenng for thrombophla n hghrsk stuatons: a meta analyss and cost effectveness analyss, Br J Haematol, vol. 131, pp. 80-90, 2006. [22] P.H. Retsma ve F.R. Rosendaal, Past and future of genetc research n thromboss, J Thromb Haemost, pp. 264 269, 2007. [23] Q. Yang et al., Improvng the Predcton of Complex Dseases by Testng for Multple Dsease-Susceptblty Genes, Am. J. Hum. Genet., vol. 72, pp. 636 649, 2003. [24] K. Santh et al., Detecton of Venous Thromboembolsm by Proteomc Serum Bomarkers, PLoS ONE, vol. 6, 2007. [25] T. Bagln, Usng the laboratory to predct recurrent venous thromboss, Internatonal Journal of Laboratory Hematology, vol. 33, pp. 333 342, 2011. [26] H.G. de Haan et al., Multple SNP testng mproves rsk predcton of frst venous thromboss, Blood, vol. 120, no. 3, pp. 656-663, 2012. [27] J.C. Souto ve J.M. Sora, Predctng ndvdual rsk of venous thromboss, Blood, vol. 120, no. 3, pp. 500-501, 2012. [28] S. Penco et al., Assessment of the role of genetc polymorphsm n venous thromboss through artfcal neural networks, Ann Hum Genet, vol. 69, pp. 693-706, 2005. [29] D. Shanth, G. Sahoo ve N. Saravanan, Desgnng an Artfcal Neural Network Model for the Predcton of Thrombo-embolc Stroke, Internatonal Journals of Bometrc and Bonformatcs (IJBB), vol. 3, no. 1, 2009. [30] A. Dahabahl et al., Comparatve Neural Network Based Venous Thromboss Echogencty and Echostructure Characterzaton Usng Ultrasound Images, Informaton and Communcaton Technologes, ICTTA '06, vol. 1, pp. 992 997, 2006. [31] H. Markus, M. Cullnane ve G. Red, Improved Automated Detecton of Embolc Sgnals Usng a Novel Frequency Flterng Approach, Stroke, Journal of the Amercan Heart Assocaton, pp. 1610-1615, 1999. [32] V. Keme ny et al., Automatc Embolus Detecton by a Neural Network, Stroke, Journal of the Amercan Heart Assocaton, pp. 807-810, 1998. [33] H. Özçalık ve A. Uygur, Dnamk Sstemlern Uyumlu Snrsel Bulanık Ağ Yapısına Dayalı Etkn Modellenmes, KSÜ Fen ve Mühendslk Dergs, Kahramanmaraş, vol. 6, no. 1, pp. 36-46, 2003. [34] E. Avcı ve Z.H. Akpolat, Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sstem İle Doğru Akım Motorlarının Hız Denetm, ELECO 2002 Elektrk-Elektronk-Blgsayar Mühendslğ Sempozyumu, Bursa, pp. 193-196, Aralık 2002. [35] E. Özgan et al., Asfalt Betonunda Marshall Stabltesnn Uyarlamalı Snrsel Bulanık Mantık Yaklaşımı İle Tahmn, Uluslar arası İler Teknolojler Sempozyumu, Karabük, 2009. [36] K. Güney ve N. Sarıkaya, Daresel Mkroşert Antenlern Yama Yarıçapının Çeştl Algortmalarla Optmze Edlen Bulanık Mantık Sstemne Dayalı Uyarlanır Ağlar İle Hesaplanması, ELECO 2008 Elektrk- Elektronk-Blgsayar Mühendslğ Sempozyumu ve Fuarı, Bursa, 26-30 Kasım 2008. [37] J.S.R. Jang, ANFIS: Adaptve network-based fuzzy nference systems, IEEE Trans. Syst., Man. and Cybern, vol. 23, pp. 665-685, 1993. 20 SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016
Trombofl hastalığı le genetk bozukluklar arasındak lşknn adaptf ağ tabanlı bulanık mantık çıkarım sstem (Anfs) le tespt edlmes B. Haznedar, A. Kalınlı [38] G.F. Frankln, J.D. Powell ve M.L. Workman, Dgtal Control of Dynamc Systems, Addson Wesley, pp. 130-132, 1990. [39] S. Uzundurukan, Zemnlern Şşme Özellklerne Etkyen Temel Parametrelern Belrlenmes ve Modellenmes", Doktora Tez, İnşaat Mühendslğ Anablm Dalı, Isparta, 2006. [40] Z. Hímer et al., Neuro- fuzzy modelıng and genetc algortms optmzaton for flue gas oxygen contol, 2nd IFAC Workshop on Advanced Fuzzy/Neural Control, Unversty of Oulu, 2004. [41] J.S.R. Jang ve C.T. Sun, Neuro-Fuzzy Modelng and Control, proceedngs of the IEEE, vol. 83, no. 3, 1995. [42] Ö. Başkan, İzole Snyalze Kavşaklardak Ortalama Taşıt Geckmelernn Yapay Bulanık Snr Ağları le Modellenmes, Yüksek lsans tez çalışması, Pamukkale Ünverstes, Fen Blmler Ensttüsü, Denzl, 2004. [43] F. Hocaoğlu ve M. Kurban, Adaptf Ağ Tabanlı Bulanık Mantık Çıkarım Sstem İle Eskşehr Bölges İçn Güneşlenme Süreler Tahmn, Elektrk-Elektronk-Blgsayar Mühendslğ 11. Ulusal Kongres ve Fuarı, İstanbul, 22-25 Eylül 2005. [44] M. Fırat, M. Yurdusev ve M. Mermer, Uyarlamalı Snrsel Bulanık Yaklaşımı İle Aylık Su Tüketmnn Tahmn, Gaz Ünverstes, Mühendslk-Mmarlık Fakültes Dergs, vol. 23, no. 2, pp. 449-457, 2008. [45] E. Günay, M. Alçı ve S. Parmaksızoğlu, Çoklu Kaotk Çeker Üreten DK-HSA Devresnde Parçalı Doğrusal Fonksyon Karakterstğnn Bulanık Snr Ağı Kontrolü İle Elde Edlmes, URSI- Türkye 2006 Blmsel Kongres ve Ulusal Genel Kurul Toplantısı, Hacettepe Ünverstes, Ankara, 6-8 Eylül 2006. [46] G. Cvelekoğlu, Arıma Proseslernn Yapay Zeka ve Çoklu İstatksel Yöntemler İle Modellenmes, Doktora Tez, Çevre Mühendslğ Anablm Dalı, Isparta, 2006. [47] E. Özgan, NAPO 3 Mktarının Zemn Tanelerne Etks ve Tane Büyüklüklernn ANFIS Yöntemyle Tahmn, Uluslar arası İler Teknolojler Sempozyumu, Karabük, 2009. [48] O. Akyılmaz, T. Ayan ve M.T. Özlüdemr, Geod surface approxmaton by usng Adaptve Network based Fuzzy Inference Systems, AVN, no. 8, 2003. [49] B. Haznedar, Yapay Zeka Teknkler Kullanılarak Erkek Kısır Hastalarda Genetk Bozukluk Varlığının Tespt, Yüksek Lsans Tez, Ercyes Ünverstes, Fen Blmler Ensttüsü, 2010. [50] Y. Kurtulmuş et al., Demr Düzey ve İskem Modfye Albumn, Smyrna Tıp Dergs, pp. 30-35, 2013. [51] Z. Uysal, V. Çulha ve Ş. Cn, Demr Eksklğ Tanısında Serum Transferrn Reseptörü, Ankara Ünverstes Tıp Fakültes Dergs, vol. 51, no. 3, 1998. [52] I. Onyesom et al., Relatonshp between placental alkalne phosphatase actvty and cord blood glucose, albumn and neonatal brth weght at term., Invest Cln, vol. 50, no. 4, 2009. [53] G.M. Rao ve L.O. Morghom, Correlaton between serum alkalne phosphatase actvty and blood glucose levels., Enzyme, vol. 35, no. 1, 1986. [54] B.M. Webb-Robertson et al., Revew, Evaluaton, and Dscusson of the Challenges of Mssng Value Imputaton for Mass Spectrometry-Based Label- Free Global Proteomcs, Journal of Proteome research, pp. 1993-2001, 2015. [55] B.Y. Cheng, J.G. Carbonell ve J. Klen- Seetharaman, Proten Classfcaton Based on Text Document Classfcaton Technqus, PROTEINS: Structure, Functon, and Bonformatcs, pp. 955-970, 2005. [56] M. Kuhn, Buldng Predctve Models n R Usng the caret Package, Journal of Statstcal Software, vol. 28, no. 5, 2008. [57] X. Wu ve R. Srhar, New v-support Vektor Machnes and ther Sequental Mnmal Optmzaton, Proceedngs of the 20. Internatonal Conference on Machne Learnng (ICML-2003), Washngton DC, 2003. SAÜ Fen Bl Der 20. Clt, 1. Sayı, s. 13-21, 2016 21