Diyabetik Retinopati (DR), dünya genelinde milyonlarca insanı etkileyen görme kaybı ve körlüğün başlıca
nedenidir. DR tespiti için retinal fundus görüntülerini kullanan birçok farklı bilimsel ve tıbbi yaklaşımlar
bulunmaktadır. Bu yaklaşımların çoğunda, özellik seçimi aşaması yapılmadan diyabetik retinopati veri kümelerine
çeşitli makine öğrenimi ve derin öğrenme yaklaşımları uygulanmıştır. Çalışmada UCI makine öğrenmesi
deposundan elde edilen DR veri kümesi kullanılmıştır. Bu makalede, atom dinamiklerinden faydalanılarak
önerilmiş popülasyon temelli yeni bir metasezgisel yöntem olan Atom Arama Optimizasyon (AAO) algoritması,
ilk kez DR veri kümesi için bir özellik seçim yöntemi olarak kullanılmıştır. Normalize edilen veri kümesine AAO
algoritmasının uygulanmasının ardından elde edilen yeni veri kümesi Bagging, CvR, IBk, JRip, Kstar ve
SimpleCart olmak üzere altı sınıflandırma algoritması ile test edilmiştir. Aynı sınıflandırma algoritmaları, orijinal
DR veri kümesine de uygulanmıştır. Elde edilen sonuçlar AAO algoritması ile özellik seçimi yapılmış veri kümesi
ile karşılaştırılmıştır. Önerilen modelin performansı doğruluk, duyarlılık, özgüllük, kesinlik, f-ölçütü ve roc alanı
değerleri bakımından değerlendirilmiştir. Elde edilen sonuçlar, AAO algoritması ile özellik seçimi yapılmış veri
kümesi üzerinde Bagging, CvR, IBk, JRip, Kstar ve SimpleCart algoritmaları ile daha iyi değerler elde edildiğini
göstermektedir. Bu bakımdan önerilen özellik seçimi ile algoritmaların özellik seçimi olmadan elde edilen
sınıflandırma oranlarında doğruluk için ortalama %2.7, duyarlılık için %3.5, özgüllük için %2’lik bir artış
sağlanmıştır.
Diabetic Retinopathy (DR) is the leading cause of vision loss and blindness, affecting millions of people
worldwide. There are many different scientific and medical approaches that use retinal fundus images for DR
detection. In most of these approaches, various machine learning and deep learning approaches have been applied
to diabetic retinopathy datasets without the feature selection step. The DR dataset obtained from the UCI machine
learning repository was used in the study. In this article, Atom Search Optimization (ASO) algorithm, a new
population-based metaheuristic method proposed by utilizing atom dynamics, is used for the first time as a feature
selection method for the DR dataset. Applied the ASO algorithm to the normalized dataset, the new dataset was
tested by six classification algorithms: Bagging, CvR, Ibk, JRip, Kstar, and SimpleCart. The same classification
algorithms were applied to the original DR dataset. The results obtained were compared with the data set that was
selected with the ASO algorithm. The performance of the proposed model was evaluated in terms of accuracy,
sensitivity, specificity, precision, f-measure, and roc curve values. The results show that better values were
obtained with Bagging, CvR, Ibk, JRip, Kstar, and SimpleCart algorithms on the dataset selected with the ASO
algorithm. In this regard, an increase of 2.7% for the average accuracy, 3.5% for the sensitivity, and 2% for the
specificity were achieved in the classification rates obtained without feature selection of the algorithms with the
proposed feature selection.
