Tanecikli hesaplama yöntemi ile kavram çözümleme

Abstract

Tıbbi Karar Destek Sistemleri (TKDS) eksik bilgi ve belirsizlik altında çıkarsama yapabilen akıllı yazılım sistemleridir. Bu sistemlerde belirsizliğin modellenmesi için Bayes ağları, kaba kümeler, yapay sinir ağları, bulanık mantık, tümevarımsal mantık programlama, genetik algoritmalar gibi çeşitli esnek hesaplama yöntemleri ile bu yöntemlerin birkaçının birleşiminden oluşan melez yöntemler kullanılmaktadır. Bayes ağları TKDS' de sıklıkla kullanılan veri güdümlü bir yöntemdir.Bu çalışmada, Bayes ağları ile Biçimsel Kavram Çözümlemedeki kavram kafes yapısı arasındaki benzerliklerden yola çıkılarak Belirti-Hastalık arasındaki ilişkileri yansıtan yeni bir veri güdümlü model önerilmiştir. Bu modelde hastalıklar nesneler ve belirtiler de özellikler olarak modellenmiştir.Geliştirilen modelin test edilmesi için veri kümesi bulmadaki teknik problemler nedeniyle gerçek durumlardan çıkarılmış ve gerçek hasta verileri kullanılarak hazırlanmış olan ALARM ağ yapısı kullanılmıştır. Çeşitli boyutlardaki bu veri kümelerinin üretilmesi NETICA yazılımı ile gerçekleştirilmiştir. Hesaplama karmaşıklığını önlemek amacıyla, özellik verilerine kaba kümeler kuramının temelini oluşturan ve ayırtedilebilirliğe dayalı bir yazılım sistemi olan ROSETTA kullanılmıştır.Belirti-Hastalık bağlamının, ilgili algoritmalar ile kavram kafesi yapısı oluşturulmuştur. Kavram kafesindeki kenarlar, belirtiler ve hastalıklar arasındaki olasılıksal ilişkileri yansıtmakta ve Bayes teoremi ile hesaplanmaktadır. Bu işlemler Oracle JDeveloper yazılımı kullanılarak gerçekleştirilmiştir. Hesaplanan koşullu olasılıklar modelin doğruluk oranını vermektedir. Ağdaki gerçek durum ile programın ürettiği sonuç aynı olduğunda doğru teşhise ulaşılmaktadır. Oluşturulan model, farklı boyutlar da veri kümelerine uygulandığında ortalama yaklaşık %51 doğruluk oranı ile hastalığı doğru teşhis edebilmektedir.Ayrıca bu veri kümeleri C4.5, Destek Vektör Makinesi ve Çok Katmanlı Yayılım gibi makine öğrenmesi yöntemlerine de uygulanmıştır. En iyi sonucu yaklaşık %75 ortalama doğruluk oranı ile Destek Vektör Makinesi yöntemi vermiştir.