Akademik Veri Yönetim Sistemi
1.Temel Onkoloji Sempozyumu, İzmir, Türkiye, 9 - 11 Mayıs 2018, ss.48
Amaç: Yapay zeka teknolojileri günümüzde büyük veri ve veri madenciliğinde ilk tercih edilen
yöntemlerdendir. Veri miktarındaki artış derin öğrenme uygulamalarını yaygın hale getirmiştir. Gelişen
teknoloji ile biyolojik verilerde de artış söz konusudur. Bu verilerin insan gücüyle yorumlanamıyor oluşu
yapay zeka teknolojisini biyolojiye entegre etme düşüncesini ortaya çıkarmış, çağımızın en büyük
problemi olan kanserin çözümüne odaklamıştır. Bu çalışmada kanserde hayati önem taşıyan erken
teşhisin etkisi göz önüne alınarak yapay zeka teknolojisini teşhis aşamasında klinisyene yardımcı olacak
şekilde kullanıma sunmayı amaçladık.
Gereç – Yöntem: Kanser Genom Atlas Projesi’nden (TCGA) 12 kanser tipine ait RNA dizileme verilerini
elde ettikten sonra R Tidyverse paketi yardımıyla düzenlemeler yapıldı. Gen sayısını düşürmek amacıyla
2 ayrı yöntem kullanıldı. Bu yöntemlerden ilki; regresyonla en çok değişiklik gösterilen genler seçilmesi
ikincisi ise PCA (Principal Component Analysis) yöntemiyle verideki çeşitliliği temsil etmeye yetecek
kadar boyut azaltma yapılarak genlerin seçilmesidir. Seçilen genlerin ifade değerleri normalizasyonla
0-1 aralığına indirildi. R keras paketiyle derin öğrenme katmanları hazırlanarak öğretme işlemi
gerçekleştirildi.
Bulgular: TCGA veritabanından 12 farklı kanser tipi için 5605 örnek 21022 gen içeren RNA dizileme
verileri alındı. Regresyonda en çok değişkenlik gösterilen genler seçilirken, PCA yöntemi ile örnekteki
değişkenliğin %80’inini açıklayan 15 Temel Bileşen (PC) kullanılarak genler seçildi. Derin öğrenme
katmanları kullanılarak yüksek bir doğruluk oranı elde edildi.
Sonuç: Gen ifade verilerinin derin öğrenme kullanılarak gelen örneğin kanser olup olmadığı veya kaçıncı
evrede olduğunun kolayca tespit edileceği gösterilmiştir. Gen ifadesi verilerinde derin öğrenme
kullanılması farklı platformlarda pratik sonuca ulaşmayı sağlayacaktır. Eğitilmiş bir Tensorflow modeli
mobil platformda anında sonuç alma potansiyeline sahiptir.
Anahtar Kelimeler: Kanser, gen ifadesi, derin öğrenme, tensorflow, TCGA