Pamukkale Univ Muh Bilim Derg. 2023; 29(3): 256-263 | DOI: 10.5505/pajes.2022.62282

Özellik seçim algoritmalarý ve derin öðrenme tabanlý mimarilerin hibrit kullanýmýyla akut lösemilerin sýnýflandýrýlmasý

Fatma Akalýn¹, Nejat Yumusak^2
1Sakarya Üniversitesi, Bilgisayar ve Biliþim Bilimleri Fakültesi, Biliþim Sistemleri Mühendisliði Bölümü, Sakarya, Türkiye
²Sakarya Üniversitesi, Bilgisayar ve Biliþim Bilimleri Fakültesi, Bilgisayar Mühendisliði Bölümü, Sakarya, Türkiye

Týp ve biyoloji alanlarýnda tercih edilen mikrodizi teknolojisi, kantitatif veya niteliksel veriler üreten bir analiz yöntemidir. Genler arasýndaki örüntülerin açýða çýkartýlarak yorumlanabilmesi için güçlü bir potansiyel barýndýrmaktadýr. Bu potansiyeli ortaya çýkarmak için genler ile iliþkili kanser hastalýklarý üzerinde moleküler deðerlendirme saðlamak mümkündür. Ancak mikrodizi veri kümeleri, yüksek boyutlu bir yapýya sahiptir. Bu durum makine öðrenmesinde boyutluluðun laneti olarak bilinmektedir. Mikrodizi veri kümeleri üzerinde deðerlendirme sürecinin kolaylaþtýrýlmasý için bilgisayar destekli sistemler kullanýlarak uzmanlara yardýmcý bir fikir verilmesi temel amaçtýr. Bu çalýþmada akut lösemilerin sýnýflandýrýlabilmesi için yüksek boyut sunan mikrodizi veri kümesi analiz edilmiþtir. Çalýþmanýn ilk aþamasýnda, hastalýkla iliþkili genlerin veri kümesinden seçilebilmesi için karýnca kolonisi, balina ve parçacýk sürü optimizasyon algoritmalarý kullanýlmýþtýr. Seçilen potansiyel genler klasik makine öðrenmesi algoritmalarý ile deðerlendirilmiþtir. Çalýþmanýn ikinci aþamasýnda elde edilen bu genler, dalgacýk dönüþümü yöntemi ile spektrogramlar olarak ifade edilmiþtir. Çalýþmanýn üçüncü aþamasýnda, spektrogramlardaki yerel kontrastýn iyileþtirilmesi için CLAHE yöntemi kullanýlmýþtýr. Son olarak elde edilen iyileþtirilmiþ spektrogramlar; aktarým öðrenme mimarileri ve DGCNN(derin graf evriþimsel sinir aðý) yaklaþýmý ile sýnýflandýrýlmýþtýr. Karýnca, parçacýk sürü ve balina özellik seçim algoritmalarý kullanýlarak seçilen genlerin spektral yoðunluk bilgisinin ifade edildiði spektrogramlarýn DGCNN yaklaþýmý ile sýnýflandýrýlmasýnýn sonucunda elde edilen maksimum baþarý oranlarý sýrasýyla %93.33, %86.6 ve %86.6 olarak bulunmuþtur.

Anahtar Kelimeler: Mikrodizi teknolojisi, Doðadan ilham alan optimizasyon algoritmalarý, Sürekli dalgacýk dönüþümü tekniði, Derin graf evriþimli sinir aðý yaklaþýmý, ALL ve AML malignitelerinin sýnýflandýrýlmasý

---

Classification of acute leukaemias with a hybrid use of feature selection algorithms and deep learning-based architectures

Fatma Akalýn¹, Nejat Yumusak^2
1Sakarya University, Faculty of Computer and Information Sciences, Department of Information Systems Engineering, Sakarya, Türkiye
²Sakarya University, Faculty of Computer and Information Sciences, Department of Computer Engineering, Sakarya, Türkiye

The microarray technology which is preferred in the fields of medicine and biology is an analysis method that produces quantitative or qualitative data. It has a strong potential for revealing and interpreting patterns between genes. To reveal this potential, it is possible to provide a molecular evaluation of cancer diseases associated with genes. However, microarray datasets have a high dimensional structure. This is known as the curse of dimensionality in machine learning. The main aim is to give a helpful idea to the experts by using computer-aided systems to facilitate the evaluation process on microarray datasets. In this study, a high-dimensional microarray dataset is analyzed for the classification of acute leukaemias. In the first phase of the study, ant colony, whale and particle swarm optimization algorithms are used to select disease-related genes from the dataset. Selected potential genes were evaluated with classical machine learning algorithms. These genes obtained in the second stage of the study were expressed as spectrograms by the wavelet transform method. In the third stage of the study, the CLAHE method is used to improve the local contrast in the spectrograms. Finally, the obtained improved spectrograms are classified by transfer learning architectures and DGCNN (deep graph convolutional neural network) approach. The maximum success rates obtained as a result of the classification of the spectral density information of the selected genes using the ant, particle swarm and whale feature selection algorithms with the DGCNN approach are found to be 93.33%, 86.6% and 86.6%, respectively.

Keywords: Microarray technology, Nature-inspired optimization algorithms, Continuous wavelet transform technique, Deep graph convolutional neural network approach, Classification of ALL and AML malignancies

---