Optimize Edilmiş Yapay Sinir Ağı Modeli ile Anemi Türlerinin Çoklu Sınıflandırılması

Bu çalışmada, yapay sinir ağı (ANN) kullanılarak normositik hipokromik anemi (NHA), normositik normokromik anemi (NNA), demir eksikliği anemisi (IDA) ve sağlıklı vakaları ayırt etmek için kapsamlı bir sınıflandırma modeli geliştirilmiştir. İlk olarak, eksik, hatalı ve yinelenen kayıtlar ortadan kaldırılarak veri ön işleme gerçekleştirildi ve veri kümesi boyutu 10.733'ten 1.033 örneğe indirildi. Isolation Forest algoritması ile aykırı değer tespiti gerçekleştirildi ve 966 temiz örnek elde edildi. Ardından, Robust Scaler yöntemi kullanılarak veri normalizasyonu uygulandı. Bir giriş katmanı, dört gizli katman ve bir çıkış katmanına sahip bir ANN modeli, Optuna hiperparametre optimizasyonu ile optimize edildi. Önerilen model %95,36 doğruluk, %95,39 F1 puanı ve 93,71 Matthews Korelasyon Katsayısı (MCC) elde etti. Ayrıca, model hem PR AUC (%99,26) hem de ROC AUC (%99,71) altında yüksek alan puanları elde ederek güçlü sınıflandırma yeteneğini doğruladı. Farklı anemi türleri arasında modelin etkinliğini değerlendirmek için sınıf bazında performans da analiz edildi. Ek olarak, ANN performansını etkileyen en etkili özellikleri belirlemek için Permütasyon Özellik Önem analizi kullanıldı. Son olarak, önerilen yaklaşımın pratik kullanılabilirliğini göstermek için web tabanlı bir uygulama geliştirildi ve kullanıma sunuldu. Sonuçlar, önerilen ANN çerçevesinin anemi alt tiplerinin sınıflandırılması için sağlam ve doğru bir çözüm sağladığını ve klinik karar destek sistemlerine etkili bir şekilde entegre edilebileceğini göstermektedir.