Hücre Canlılığı Tespitinde Yapay Öğrenme Yaklaşımları

Abstract

Hücre canlılığı, kök hücre tedavileri, kanser tedavileri, estetik ve kozmetik gibi klinik araştırmalarda önemli yer tutmaktadır. Doğru tedavi ve yaklaşımın uygulanabilmesi için alınan örnekteki toplam hücre canlılık oranı bilinmelidir. Bu noktada alınan örnekteki hücrelerin canlı veya ölü olarak doğru sınıflandırılması kritik öneme sahiptir. Bu çalışma, hücrelerin ölü veya canlı olarak sınıflandırılmasını yapay ögrenme algoritmalarını kullanarak yapmayı amaçlamaktadır. Çalışma kapsamında, yapay ögrenme sınıflandırıcılarının topluluk ögrenmeye dayalı yöntemlerinden olan rastgele orman, XGBoost ve LightGBM algoritmaları kullanılarak başarımları karşılaştırılmıştır. Deneysel çalışmada, fibroblast hücreleri ve mezenkimal kök hücrelerini içieren iki farklı veri kümesi kullanılmıştır. İki veri kümesi için de her algoritma için hiper-parametre optimizasyonu yapıldıktan sonra en iyi parametre değerleri ile algoritmalar çalıştırılmıştır. Fibroblast hücreleri için en iyi doğruluk değeri ˘ %97, 69 değeri ˘ ile XGBoost algoritmasından elde edilirken mezenkimal kök hücreleri için en iyi doğruluk değeri % ˘ 92, 42 degeri ile LightGBM algoritmasından elde edilmiştir.

Cell viability is important for clinical studies such as stem cell treatments, cancer treatments, aesthetics, and cosmetics. In order to apply the right treatment and approach, the total cell viability rate in the sample should be known. At this point, it is critical to correctly classify the cells in the sample as live or dead. This study aims to classify cells as dead or live by using machine learning algorithms. Within the scope of the study, the performances of artificial learning classifiers were compared using random forest, XGBoost, and LightGBM algorithms, which are ensemble learning methods. The experimental study used two different datasets including fibroblast cells and mesenchymal stem cells. For both datasets, algorithms were run with the best parameter values after hyper-parameter optimization for each algorithm. While the best accuracy value for fibroblast cells was obtained from the XGBoost algorithm with a value of 97.69%, the best accuracy value for mesenchymal stem cells was obtained from the LightGBM algorithm with a value of 92.42%