DETECTION OF CHRONIC DISEASES USING DEEP VERSUS MACHINE LEARNING TECHNIQUES
Yükleniyor...
Dosyalar
Tarih
2023-04
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Chronic diseases are among the most prevalent diseases around the world. Moreover, chronic diseases require ongoing treatment and management, which makes it account for the bulk of healthcare spending worldwide. Hospitalization, long-term impairment, decreased quality of life, and even death are all possible outcomes of chronic diseases. Cancer, diabetes, high blood pressure, heart disease, lung disease, and kidney ailment are just some diseases on that list. Chronic illnesses are, in point of fact, the leading cause of death and disability on a global scale. This paper presents deep learning (DL) and machine learning (ML) based models for diagnosing chronic diseases. The system consists of multiple phases, including data pre-processing and disease detection. The former relies on a deep Convolution Neural Network (CNN). At the same time, the latter is supported by five machine learning algorithms: Stochastic Gradient Descent (SGD), Naive Bayes (NB), K-Nearest Neighbor (KNN), Logistic Regression (LR), and Decision Tree (DT). The suggested model can accurately classify disorders of the heart, the blood vessels, and the kidneys using data from three different sources (the Pima Indians Diabetes Dataset, the Cardiovascular Disease Dataset, and the UCI Heart Disease Data). As demonstrated by the experiments, without employing data augmentation, the accuracy results for datasets 1, 2, and 3 were 94%, 79.3%, and 88.01%, respectively, while the precision results were 99.77%, 99.78%, and 99.74%. Therefore, the proposed ChronicCNN model produced the best results. For datasets 1, 2, and 3, the accuracy values were (99.81%, 99.92%, and 99.77%) while the precision results were (99.08%, 99.94%, and 99.87%). In comparison, the accuracy was 94% using the SGD and LR algorithms in the second model.
Dünya çapında en yaygın hastalık kronik hastalıklarıdır. Ayrıca, kronik hastalıklar, günümüzde sağlık harcamalarının çoğunu oluşturan sürekli tedavi ve gözetim gerektiren bir hastalıktır. Hastane yatışları, uzun süreli rahatsızlanmalar, yaşam kalitesinin düşmesi ve hatta ölümler kronik hastalıkların olası sonuçlarıdır. Kanser, diyabet, yüksek tansiyon, kalp hastalığı, akciğer hastalığı ve böbrek hastalıkları bu bozuklukların yaygın örneklerindendir. Kronik koşullar küresel ölçekte ölüme ve sakatlığa yol açmaktadır. Bu çalışma müzmin hastalıkların doğru bir şekilde teşhis edilmesi için derin öğrenme (DÖ) ve makine öğrenme (MÖ) tabanlı modeller sunmaktadır. Önerilen sistem, veri ön işleme ve hastalık tespiti dahil olmak üzere birçok aşamadan oluşmaktadır. Bunlardan ilki, derin Evrişimli Sinir Ağına (ESA) dayanırken, ikincisi, hastalık tespiti için Stokastik Gradyan İniş (SGİ), K-En Yakın Komşu (KEYK), Naive Bayes (NB), Lojistik Regresyon (LR) ve Karar Ağacı (KA) olmak üzere beş makine öğrenim algoritması tarafından desteklenmektedir. Önerilen model, Pima Kızılderelileri Diyabet Veri Kümesi, Kardiyovasküler Hastalık Veri Kümesi ve UCI Kalp Hastalığı Veri Kümesi olmak üzere bu üç farklı kaynaktan alınan verileri kullanarak kalp, kan damarı ve böbrek bozukluklarını sınıflandırmada önemli tanısal doğruluğa sahiptir. Deneysel sonuçlara dayanarak, önerilen kronikCNN modeli, en yüksek doğruluk oranıyla diğer modellerden daha üstün bir performans sergiledi. Veri artırma olmadan, 1, 2 ve 3 veri setleri sırasıyla %94, %79.3 ve %88.01 doğruluk oranı sağlandı ve %99.77, %99.78 ve %99.74 kesinlik sonuçları elde edildi. Ancak, önerilen kronikCNN modeli uygulandığında, doğruluk oranı önemli ölçüde yükselerek sırasıyla %99.81, %99.92 ve %99.77 olarak gerçekleşirken hassasiyet değerleri de %99.08, %99.94 ve %99.87 olmuştur. Karşılaştırmalı olarak, SGD ve LR algoritmalarını kullanan ikinci model sadece %94 doğruluk oranı vermiştir."
Dünya çapında en yaygın hastalık kronik hastalıklarıdır. Ayrıca, kronik hastalıklar, günümüzde sağlık harcamalarının çoğunu oluşturan sürekli tedavi ve gözetim gerektiren bir hastalıktır. Hastane yatışları, uzun süreli rahatsızlanmalar, yaşam kalitesinin düşmesi ve hatta ölümler kronik hastalıkların olası sonuçlarıdır. Kanser, diyabet, yüksek tansiyon, kalp hastalığı, akciğer hastalığı ve böbrek hastalıkları bu bozuklukların yaygın örneklerindendir. Kronik koşullar küresel ölçekte ölüme ve sakatlığa yol açmaktadır. Bu çalışma müzmin hastalıkların doğru bir şekilde teşhis edilmesi için derin öğrenme (DÖ) ve makine öğrenme (MÖ) tabanlı modeller sunmaktadır. Önerilen sistem, veri ön işleme ve hastalık tespiti dahil olmak üzere birçok aşamadan oluşmaktadır. Bunlardan ilki, derin Evrişimli Sinir Ağına (ESA) dayanırken, ikincisi, hastalık tespiti için Stokastik Gradyan İniş (SGİ), K-En Yakın Komşu (KEYK), Naive Bayes (NB), Lojistik Regresyon (LR) ve Karar Ağacı (KA) olmak üzere beş makine öğrenim algoritması tarafından desteklenmektedir. Önerilen model, Pima Kızılderelileri Diyabet Veri Kümesi, Kardiyovasküler Hastalık Veri Kümesi ve UCI Kalp Hastalığı Veri Kümesi olmak üzere bu üç farklı kaynaktan alınan verileri kullanarak kalp, kan damarı ve böbrek bozukluklarını sınıflandırmada önemli tanısal doğruluğa sahiptir. Deneysel sonuçlara dayanarak, önerilen kronikCNN modeli, en yüksek doğruluk oranıyla diğer modellerden daha üstün bir performans sergiledi. Veri artırma olmadan, 1, 2 ve 3 veri setleri sırasıyla %94, %79.3 ve %88.01 doğruluk oranı sağlandı ve %99.77, %99.78 ve %99.74 kesinlik sonuçları elde edildi. Ancak, önerilen kronikCNN modeli uygulandığında, doğruluk oranı önemli ölçüde yükselerek sırasıyla %99.81, %99.92 ve %99.77 olarak gerçekleşirken hassasiyet değerleri de %99.08, %99.94 ve %99.87 olmuştur. Karşılaştırmalı olarak, SGD ve LR algoritmalarını kullanan ikinci model sadece %94 doğruluk oranı vermiştir."
Açıklama
Anahtar Kelimeler
Supervised machine learning, decision tree, convolution neural network, chronic diseases, deep learning, accuracy., Denetimli makine öğrenimi, karar ağacı, Evrişimsel sinir ağları, kronik hastalıklar, derin öğrenme.
