KARDİYOVASKÜLER HASTALIKLARIN YAPAY SİNİR AĞLARI İLE TAHMİNİ Seher ARSLANKAYA, Merve AYDIN

Sakarya Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Bölümü, Sakarya / Türkiye Öz: Dünya çapında en yüksek orana sahip ölüm nedeni kalp ve damar hastalıklarıdır (kardiyovasküler).

Bu oran dünyadaki tüm ölümlerin %32,3’ünü oluşturmaktadır. Kalp yetmezliği de kalp damar hastalıklarının neden olduğu yaygın bir olaydır. Kardiyovasküler hastalığı olan veya kardiyovasküler risk altında olan kişiler (diyabet, hipertansiyon vb.) için yapay zeka modeli ile hastalığın erken tespiti umut vaat etmektedir. Bu amaçla yapılan tahmin algoritmalarında kullanılan birçok yöntem vardır. Bu çalışmada kalp yetmezliği olan kişilerin yaş, cinsiyet, sigara içme durumu, diyabet, tansiyon gibi özelliklerine bakılarak kalp yetmezliğine bağlı ölüm olasılığını tahmin etmek için MATLAB programlama dilinin neural network toolbox’ı kullanılarak bir yapay sinir ağı modeli geliştirilmiştir. Bu yapay sinir ağını oluştururken, ağ tipi olarak feed-forward backprop tipi ağ, eğitim fonksiyonu olarak Bayesian regularization backpropagation fonksiyonu, transfer fonksiyonu için ise log-sigmoid transfer fonksiyonu kullanıldığında ve nöron sayısı 8 olduğunda ağın en yüksek performans verdiği görülmüştür.

Elde bulunan 299 verinin 70 tanesi ağı simüle etmek için kullanılmıştır. R değeri, çıktılar ile ağın tahmin ettiği değerlerin arasındaki ilişkiyi gösterir ve 1’e ne kadar yakınsa ağın tahmin ettiği verilerle çıktılar arasında o kadar güçlü bir ilişki var demektir. Bu çalışmanın sonucunda R değeri ise yaklaşık olarak 0,91 olarak bulunmuştur. Yapılan bu çalışmada insanların kalp yetmezliğine bağlı ölümlerinin olasılığını değerlendirip bir tahmin modeli oluşturmak ve hastanelerin kalp ve damar hastalığına sahip insanların durum değerlendirilmesinde kullanılması amaçlanmıştır.

Anahtar Kelimeler: Yapay Sinir Ağları, Geri Yayılım Algoritması, Kardiyovasküler, Tahmin GİRİŞ ve KURAMSAL ÇERÇEVE

Kalp vücudun en hayati organlarından biridir. Hücrelerin çalışmasında en önemli faktör olan oksijen ve besin, kanda taşınır ve kanın vücutta organlara ulaşması kalbin kanı pompalamasıyla gerçekleşmektedir (Berne ve Levy, 1997). Eğer hücrelerin bu besin ve oksijen ihtiyacı karşılanamazsa, bu kalbin yeterince kanı, bu yapılara pompalayamamasından kaynaklanmaktadır. Bu durumda kalp yetmezliği ortaya çıkar (Flavell ve Stevenson 2001).

Yapay sinir ağları kullanılarak sağlık sektöründe yapılan çalışmalar ile görülmüştür ki daha gelişmiş tanı ve tedavi yöntemleri geliştirilmiştir. Teşhis riski yüksek olan hastalıkların tanı konulmasında faydalı bir araç olduğu görülmüştür. (Gönül, Ulu, Bucak ve Bilir, 2015)

Literatürde kardiyovasküler hastalıklarla ile ilgili değişik yöntemlerin uygulandığı birçok çalışma bulunmaktadır. Arslan ve Yıldız (2014), Gizli Markov Modeli ve üfürüm teşhisi kullanılarak kardiyak aritmi analizi yapmışlardır. Elfatimi (2018), yapay sinir ağları ve bulanık mantık denklik ilişkilerini kullanarak kalp hızı değişkenliğini belirlemişlerdir. İşler ve Narı̇n (2012), kalp yetmezliği hastalığının tahmin edilmesinde ise WEKA yazılımında k-Ortalama algoritması kullanılarak konjestif kalp yetmezliği hastalarını teşhis etmişlerdir. Chicco ve Jurman (2020), yapay sinir ağları ve AR modelleme ile ilgili mitral kapak darlık analizi ve Serum kreatinin ve ejeksiyon fraksiyonundan makine öğrenmesi ile kalp yetmezliği hastalarının sağ kalımlarının tahmin etmişlerdir. Genellikle bu alanda yapılan çalışmalarda standart istatistiksel regresyon modelleri ve geleneksel makine öğrenimi yöntemleri kullanılmaktadır.

AMAÇ

Bu çalışmanın amacı, insanların kalp yetmezliğine bağlı ölümlerinin olasılığını değerlendirip bir tahmin modeli oluşturmak ve hastanelerin kalp ve damar hastalığına sahip insanların durum değerlendirilmesinde kullanılmasını sağlamaktır.

KAPSAM

Yapılan bu çalışma toplam 299 tane hastadan toplanan veri ile MATLAB programında neural network toolbox’ ı kullanılarak geliştirilmiştir. Yapılan birçok deneme ile ağın performansı 0,91’e kadar çıkarılmıştır. Literatürde yapılan diğer çalışmalara bakıldığında da MATLAB programının neural network toolbox’ı ile ilgili kalp yetmezliği tahmini çalışması görülmemiştir. Yapılan bu çalışmada MATLAB programını tercih sebebi neural network toolbox’ı kullanımı kolaylığı ve kısa sürede sonuç vermesidir.

YÖNTEM

Yapay sinir ağı (YSA) (artficial neural network), basit bir işlemcinin yaptığı işe benzer bir şekilde davranır ve yapay nöronların birbiriyle bağlanmasından oluşan bu yapı daha sonraki işlemlerle de problemin türüne göre, uyarlanabilir bir makinedir. Bu yapay sinir ağı, çevresindeki bilgileri toplar ve aldığı bu bilgileri ağın sinaptik ağırlıklarında depolanır (S. Haykin,2010).

Yapay Sinir ağlarının temel özellikleri şu şekildedir:

- Doğrusal olmama - Uyarlanabilirlik

- Biyolojik ağlarla analoji - Girdi-Çıktı dönüşümü

- Analiz ve tasarımda tekdüzelik (Sanchez ve Alanis, 2006), (Haykin, 2010).

Aşağıda şekil 1’de YSA modeli görülmektedir.

Konu çerçevesinde, hastalara ait klinik ve yaşam tarzı bilgileri arasında nasıl bir korelasyona sahip olduğu açıkça belli değildir. Böylelikle yapay sinir ağları kullanılarak hastaların anemi, kreatinin fosfokinaz, diyabet, tansiyon, cinsiyet, sigara içip içmeme gibi durumlarına bakılarak ve aralarındaki ilişkilere dayalı olarak hastaların ölüm olasılığının tahmin edilmesi beklenmektedir.

Tablo 1. Kalp yetmezliğine sahip olan kişilerin verilerinin bir kısmı Girdi Değerleri

Bu çalışmada kullanılan kalp yetmezliğine sahip 299 hastanın kaggle’ dan alınan veri setinin bir kısmı tablo 1’de gösterilmiştir.

Çalışmadaki veriler matlab programında kullanılacağı için normalize edilmiştir. Normalize ederken aşağıdaki formül kullanılmıştır.

𝑋^′ = ^{𝑋−𝑋𝑚𝑖𝑛}

𝑋_𝑚𝑎𝑥−𝑋_𝑚𝑖𝑛 (1)

Çalışmada en optimum sonucu bulmak için birçok deneme ve yapay sinir ağı modeli kurulmuştur.

Bunlardan birkaçı tablo 3’ de gösterilmektedir. Tabloda görüldüğü üzere farklı ağ yapıları test edilmiştir.

Tablo 2. YSA deneme sonuçları

No Eğitim

fonksiyonu

Aktivasyon fonksiyonu

Transfer fonksiyonu

R değeri

Nöron sayısı

1 TRAINBFG LEARNGD LOGSIG 0,78648 14

2 TRAINBFG LEARNGD LOGSIG 0,77613 18

3 TRAINBR LEARNGD LOGSIG 0,90051 7

4 TRAINBR LEARNGD LOGSIG 0,90735 8

Tabloda görüldüğü üzere R değeri en yüksek olan deneme 4 numaralı denemedir. 4 numaralı denmenin ağ yapısı Şekil 2’de gösterilmiştir.

Şekil 2. Geliştirilen yapay sinir ağı yapısı

Şekil 3. Ağın özelliklerini gösteren MATLAB arayüzü

Geliştirilen bu ağ modelinde ileri beslemeli geri yayılım algoritması kullanılmıştır. Girdi katmanında 11 adet nöron, gizli katmanda 8 adet nöron ve çıktı katmanda 1 adet nöron kullanılmıştır.

Şekil 4. YSA modeli performans değeri

Şekil 4’te Şekil 4’te görüldüğü gibi MSE değeri yaklaşık 0,024 olarak bulunmuştur.

Şekil 3’de gösterildiği üzere eğitim fonksiyonu olarak Bayesian regularization backpropagation fonksiyonu, aktivasyon fonksiyonu olarak LEARNGD, transfer fonksiyonu için ise log-sigmoid transfer fonksiyonu kullanılmıştır.Bu yapay sinir ağı çalışması durumunda 4 tane grafik oluşmaktadır.

MATLAB’ın neural network toolbox’ında default olarak verilerin %70’i training %15’i validation,

%15’i testing verisi olarak kullanılmaktadır. Şekil 4’de bu ağa ait regresyon grafikleri verilmiştir.

Regresyon değeri ne kadar 1’e yaklaşırsa değişkenler arasında o kadar güçlü bir ilişki var demektir. 0 olması durumunda ise ilişki yok demektir.

Şekil 5’de geliştirilen ağın regresyon grafikleri gösterilmiştir. İlk grafik , eğitim verileri için regresyon grafiğini ifade etmektedir ve eğitim verileri için regresyon değeri grafikten de anlaşılacağı üzere 0,89 olarak hesaplanmıştır. İkinci grafik, onaylama verileri için oluşturulan regresyon grağini göstermektedir ve onaylama verileri için regresyon değeri grafikte görüldüğü gibi 0,94 olarak hesaplanmıştır. Üçüncü grafik, test verileri için oluşturulan regresyon grafiğini göstermektedir ve test verileri için regresyon

değeri grafikten görüldüğü üzere 0,94 olarak hesaplanmıştır. Dördüncü grafik ise tüm veriler için regresyon grafiğini ifade etmektedir. Tüm verilerin regresyon değeri grafikte görüldüğü gibi 0,907 olarak hesaplanmıştır.

Şekil 5. Geliştirilen yapay sinir ağının regresyon grafikleri

Ağ simüle edildiğinde, kullanılan 70 tane verinin bir kısmı aşağıdaki tabloda, programın tahmin ettiği değerler ile birlikte listelenmiştir.

Tablo 3. Gerçekleşen ölüm olayı, YSA tahmini ve MSE değerleri

Tablo 3’de görüldüğü üzere gerçekleşen ölüm olayı ile YSA’ nın tahminleri birbirine çok yakındır.

Şekil 4. Gerçekleşen ölüm olayı ile YSA tahmin grafiği

0