GENETİK ALGORİTMA TEMELLİ ÖZNİTELİK SEÇİMİNİN ANEMİ HASTALIĞININ TESPİTİNE ETKİSİ

Mehtap Öklü; Hasan Badem

doi:10.17780/ksujes.1561429

TR EN

GENETİK ALGORİTMA TEMELLİ ÖZNİTELİK SEÇİMİNİN ANEMİ HASTALIĞININ TESPİTİNE ETKİSİ

Öz

Vücuttaki oksijen ihtiyacının farklı sebeplerle karşılanamaması durumunda ortaya çıkan anemi, 2023’de Dünya Sağlık Örgütü 500 milyondan fazla kişide görüldüğünü rapor etmiştir. Ayrıca, anemi dünyada en sık görülen kan hastalığıdır. Bu hastalığın en önemli önlemlerinden biri erken teşhistir. Literatürde teşhis konusunda hızlı ve başarılı sonuçların elde edilebilmesi için makine öğrenmesi modelleri önerilmektedir. Ancak makine öğrenmesi modelleri arzu edilen düzeyde etkin sonuçlar veremeyebilir. Optimizasyon algoritmaları ile gerçekleştirilen öznitelik seçimi, makine öğrenmesi modellerinin başarı oranlarını arttırabilmektedir. Bu çalışmada hastaların tahlil sonuçları üzerinden gerçekleştirilen anemi tespitinin başarı oranını, öznitelik seçici olarak genetik algoritma ile artırılması amaçlanmıştır. K-en yakın komşu, naive bayes, karar ağaçları, lojistik regresyon ve destek vektör makinesi makine öğrenmesi yöntemlerinin sınıflandırma başarımını arıtmak için genetik algoritma ile öznitelik seçimi gerçekleştirilmiştir. Elde edilen deneysel sonuçlarda önerilen yöntem ile öznitelik seçimi yapılmadan elde edilen sonuçlara göre daha yüksek doğruluk oranları elde edilmiştir.

Anahtar Kelimeler

THE EFFECT OF GENETIC ALGORITHM BASED FEATURE SELECTION ON DETECTION OF ANAEMIA DISEASE

Abstract

Anaemia, which occurs when the body’s oxygen needs cannot be met for various reasons, has been reported by the World Health Organization to be seen in more than 500 million people in 2023. Additionally, the anemia is the most common blood disease in the world. One of the most important precautions for this disease is early diagnosis. In the literature, machine learning models have been proposed for achieving rapid and accurate diagnostic results. However, machine learning models may not always provide the desired level. Feature selection utilized with optimization algorithms can enhance the accuracy rates of machine learning models. In this study, improving the accuracy of anemia detection has been aimed on patients’ test results through a genetic algorithm as a feature selection operator. Genetic algorithm has been performed as feature selection to improve the classification performance of machine learning methods including k-nearest neighbors, naïve bayes, decision trees, logistic regression, and support vector machine. In the experimental results, higher accuracy rates have been obtained by the proposed method compared with obtained results without feature selection.

Keywords

References

Acar, E. B., Karabey, C., & Köse, B. İnsansiz Hava Araci İle Paket Dağitiminda Gezgin Satici Probleminin Genetik Ve Parçacik Sürü Optimizasyon Algoritmalari İle Çözümü. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 10(20), 168-181. https://doi.org/10.54365/adyumbd.1249391
Ahmad, A., Alzaidi, K., Sari, M., & Uslu, H. (2023). Prediction of anemia with a particle swarm optimization-based approach. An International Journal of Optimization and Control: Theories & Applications (IJOCTA), 13(2). 10.11121/ijocta.2023.1269
Ajder, A. (2023). Geleneksel Yaklaşimlar: Parçacik Sürü Optimizasyonu Algoritmasi. Teknobilim-2023: Yapay Zeka ve Mühendislik, 21.
Alam, T., Qamar, S., Dixit, A., & Benaida, M. (2020). Genetic algorithm: Reviews, implementations, and applications. arXiv preprint arXiv:2007.12673. https://doi.org/10.48550/arXiv.2007.12673
Alp, G., & Soygazi, F. (2024, May). Meta-Heuristic Supported Feature Selection in Classification Algorithms for Diabetes Diagnosis. In 2024 32nd Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE. 10.1109/SIU61531.2024.10601062
Anguita, D., Ghelardoni, L., Ghio, A., Oneto, L., & Ridella, S. (2012, April). The'K'in K-fold Cross Validation. In ESANN (Vol. 102, pp. 441-446).
Appiahene, P., Asare, J. W., Donkoh, E. T., Dimauro, G., & Maglietta, R. (2023). Detection of iron deficiency anemia by medical images: a comparative study of machine learning algorithms. BioData mining, 16(1), 2. https://doi.org/10.1186/s13040-023-00319-z
Badem, H., Basturk, A., Caliskan, A., & Yuksel, M. E. (2017). A new efficient training strategy for deep neural networks by hybridization of artificial bee colony and limited–memory BFGS optimization algorithms. Neurocomputing, 266, 506-526. https://doi.org/10.1016/j.neucom.2017.05.061

Badem, H. (2019). Parkinson Hastaliğinin Ses Sinyalleri Üzerinden Makine Öğrenmesi Teknikleri ile Tanimlanmasi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 630-637. 10.28948/ngumuh.524658
Cheng, L., Nie, Y., Wen, H., Li, Y., Zhao, Y., Zhang, Q., ... & Fu, S. (2024). An ensemble machine learning model for predicting one-year mortality in elderly coronary heart disease patients with anemia. Journal of Big Data, 11(1), 1-20. https://doi.org/10.1186/s40537-024-00966-x
Eke, İ. (2022). Optimum PID Kazançları Genetik Algoritma İle Hesaplanan Otomatik Gerilim Regülatörü. International Journal of Engineering Research and Development, 14(3), 351-361. https://doi.org/10.29137/umagd.1176936
Gizzi, E., Nair, L., Chernova, S., & Sinapov, J. (2022). Creative problem solving in artificially intelligent agents: A survey and framework. Journal of Artificial Intelligence Research, 75, 857-911. https://doi.org/10.1613/jair.1.13864
Gülmez, B. (2023). Market zinciri ürün dağıtımı probleminin farklı genetik algoritma versiyonları ile çözümü ve karşılaştırması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 6(1), 180-196. Holland, J. H. (1992). Genetic algorithms. Scientific american, 267(1), 66-73.
Inneci, T., & Badem, H. (2023). Detection of Corneal Ulcer Using a Genetic Algorithm-Based Image Selection and Residual Neural Network. Bioengineering, 10(6), 639. https://doi.org/10.3390/bioengineering10060639
Kaleli, S. S. (2023). Bist-30 Şirketlerinin Pandemi Öncesi-Sonrası Satış Verilerinin Genetik Algoritma ile Analizi ve Optimum Portföy Oluşturma. MANAS Sosyal Araştırmalar Dergisi, 12(2), 557-565. https://doi.org/10.33206/mjss.1215054
Karaboğa, D. (2020). Yapay zeka optimizasyon algoritmaları (7.Baskı). Nobel Akademi Yayıncılık.
Katoch, S., Chauhan, S. S., & Kumar, V. (2021). A review on genetic algorithm: past, present, and future. Multimedia tools and applications, 80, 8091-8126. https://doi.org/10.1007/s11042-020-10139-6
Keklik, G., & Özcan, B. D. (2023). Genetik Algoritmaların İşleyişi ve Genetik Algoritma Uygulamalarında Kullanılan Operatörler. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 6(1), 1052-1066. https://doi.org/10.47495/okufbed.1161413
Khan, J. R., Chowdhury, S., Islam, H., & Raheem, E. (2019). Machine learning algorithms to predict the childhood anemia in Bangladesh. Journal of Data Science, 17(1), 195-218. 10.6339/JDS.201901_17(1).0009
Lambora, A., Gupta, K., & Chopra, K. (2019, February). Genetic algorithm-A literature review. In 2019 international conference on machine learning, big data, cloud and parallel computing (COMITCon) (pp. 380-384). IEEE, 10.1109/COMITCon.2019.8862255
Mirjalili, S., Song Dong, J., Sadiq, A. S., & Faris, H. (2020). Genetic algorithm: Theory, literature review, and application in image reconstruction. Nature-inspired optimizers: Theories, literature reviews and applications, 69-85. https://doi.org/10.1007/978-3-030-12127-3_5
Narayan, Y. (2021). Comparative analysis of SVM and Naive Bayes classifier for the SEMG signal classification. Materials Today: Proceedings, 37, 3241-3245. https://doi.org/10.1016/j.matpr.2020.09.093
Öklü, M., & Canbay, P. (2023). Makine Öğrenmesi Yöntemleri ile Şehirlerin Hava Kalitesi Tahmini. International Journal of Advances in Engineering and Pure Sciences, 35(1), 39-53. https://doi.org/10.7240/jeps.1175507
Pertiwi, D. A. A., Ahmad, K., Salahudin, S. N., Annegrat, A. M., & Muslim, M. A. (2024). Using genetic algorithm feature selection to optimize XGBoost performance in Australian credit. Journal of Soft Computing Exploration, 5(1), 92-98. https://doi.org/10.52465/joscex.v5i1.302
Peterson, L. E. (2009). K-nearest neighbor. Scholarpedia, 4(2), 1883. 10.4249/scholarpedia.1883
Saputra, D. C. E., Sunat, K., & Ratnaningsih, T. (2023, February). A new artificial intelligence approach using extreme learning machine as the potentially effective model to predict and analyze the diagnosis of anemia. In Healthcare (Vol. 11, No. 5, p. 697). MDPI. https://doi.org/10.3390/healthcare11050697
Seymen, V. (2014). Demir eksikliği anemisi hastalığının tespitinde kullanılan sınıflandırma algoritmalarının karşılaştırılması (Master's thesis, Sakarya Universitesi (Turkey)).
Shukla, A., Pandey, H. M., & Mehrotra, D. (2015, February). Comparative review of selection techniques in genetic algorithm. In 2015 international conference on futuristic trends on computational analysis and knowledge management (ABLAZE) (pp. 515-519). IEEE. 10.1109/ABLAZE.2015.7154916
Taşcı, E., & Onan, A. (2016). K-en yakın komşu algoritması parametrelerinin sınıflandırma performansı üzerine etkisinin incelenmesi. Akademik Bilişim, 1(1), 4-18.
Türkkahraman, Ş. M., & Karabulut, K. (2023). Sosyal Ağ Varlığında Takım Oluşturma Problemine Hibrit Bir Genetik Algoritma Önerisi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 25(73), 181-192. https://doi.org/10.21205/deufmd.2023257315
Vohra, R., Dudyala, A. K., Pahareeya, J., & Hussain, A. (2022). Decision rules generation using decision tree classifier and their optimization for anemia classification. In Inventive Computation and Information Technologies: Proceedings of ICICIT 2021 (pp. 721-737). Singapore: Springer Nature Singapore. https://doi.org/10.1007/978-981-16-6723-7_53
Wan, H. (2024). Applying the genetic algorithm to optimization problems. WIT Transactions on Information and Communication Technologies, 2. 10.2495/AIENG930332
Weile, D. S., & Michielssen, E. (1997). Genetic algorithm optimization applied to electromagnetics: A review. IEEE Transactions on Antennas and Propagation, 45(3), 343-353. 10.1109/8.558650
World Health Organization (WHO) (2008). Worldwide prevalence of anaemia 1993-2005: WHO global database on anaemia.
World Health Organization (WHO). (2014). Global nutrition targets 2025: Stunting policy brief (No. WHO/NMH/NHD/14.3).
World Health Organization (WHO). (2024). Guideline on haemoglobin cutoffs to define anaemia in individuals and populations. World Health Organization.
Yağmur, N., Temurtaş, H., & Dağ, İ. (2023). Anemi Hastaliğinin Yapay Sinir Ağlari Yöntemleri Kullanilarak Siniflandirilmasi. Journal of Scientific Reports-B, (008), 20-34.
Yıldız, T. K., Yurtay, N., & Öneç, B. (2021). Classifying anemia types using artificial learning methods. Engineering Science and Technology, an International Journal, 24(1), 50-70. https://doi.org/10.1016/j.jestch.2020.12.003
Zhang, S., & Li, J. (2021). KNN classification with one-step computation. IEEE Transactions on Knowledge and Data Engineering, 35(3), 2711-2723. 10.1109/TKDE.2021.3119140

Details

Primary Language

Turkish

Subjects

Reinforcement Learning , Evolutionary Computation

Journal Section

Research Article

Authors

Mehtap Öklü
0000-0002-8833-2231
Türkiye

Hasan Badem ^*
0000-0002-4262-8774
Türkiye

Publication Date

March 3, 2025

Submission Date

October 4, 2024

Acceptance Date

December 12, 2024

Published in Issue

Year 2025 Volume: 28 Number: 1

DOI

https://doi.org/10.17780/ksujes.1561429

IZ

https://izlik.org/JA82DR95ZA

Cite

RIS / Bibtex

APA

Öklü, M., & Badem, H. (2025). GENETİK ALGORİTMA TEMELLİ ÖZNİTELİK SEÇİMİNİN ANEMİ HASTALIĞININ TESPİTİNE ETKİSİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(1), 309-321. https://doi.org/10.17780/ksujes.1561429