Deep Neural Networks and An Application in Health Sciences

INTRODUCTION: Because there is more than one hidden layer between the input and output layers in the neural network algorithm, it is called "Deep Neural Networks". In the study, the Deep Neural Networks algorithm; different input (number of layers, epoch, error rate) and evaluation of the performance of the model being practised an application is intended.
METHODS: The most important feature that distinguishes the deep neural network method from the classical neural networks is the number of layers that provide good results in complex problems. Wart treatment results of patients who used immunotherapy were used as data set in the study.
RESULTS: According to this; the simple-layer (1 hidden layer) artificial neural network model was classified with 87.5% overall accuracy and 29.74% MAPE, whereas the deep neural network model was classified with 99.8% overall accuracy and 25.19% MAPE ratio. The study showed that the model of deep neural networks had a higher accuracy rate.
DISCUSSION AND CONCLUSION: As a result of the application performed in this study; it is seen that the multi-layered (deep) neural network model provides classification with higher Accuracy and lower error rate than the single layer (classical) neural network model. In other words, according to the results of this study; it has been found that the deep neural network model has a better (optimum) classification rate than the classical neural network model.

Derin Sinir Ağları ve Sağlık Bilimlerinde Bir Uygulama

GİRİŞ ve AMAÇ: Yapay sinir ağları algoritmasında giriş ve çıkış katmanları arasında birden fazla gizli katman bulunduğundan, “Derin Sinir Ağları” (Deep Neural Network) olarak adlandırılır. Klasik bir yapay sinir ağında bulunan nöronların birbirleriyle ilişkileri yoktur ve bilgi ancak giriş katmanından çıkış katmanına doğru aktarılır. Derin sinir ağlarında ise artarda gelen iki katmanda nöronlar birbirlerini çeşitli aktivasyon değerleriyle etkilemektedir. Her katmanın modele etkisi ve dolayısıyla her katmandaki nöronun modele etkisi bulunmaktadır. Çalışmada, Derin Sinir Ağları algoritması; farklı girdi (katman sayısı, döngü, hata oranı) ve uygulamalı modelin performansının değerlendirilmesi amaçlanmaktadır.
YÖNTEM ve GEREÇLER: Derin sinir ağı yöntemini klasik sinir ağlarından ayıran en önemli özellik, karmaşık problemlerde iyi sonuçlar veren katman sayısıdır. Çalışmada veri seti olarak immünoterapi kullanan hastaların siğil tedavisi sonuçları verisi kullanıldı.
BULGULAR: Basit katmanlı (bir gizli katman) yapay sinir ağı modelinde %87,5 genel doğruluk ve %29,74 MAPE ile sınıflandırılırken, derin sinir ağı modeli %99,8 genel doğruluk ve %25,19 MAPE oranı ile sınıflandırılmıştır.
TARTIŞMA ve SONUÇ: Çalışma, derin sinir ağları modelinin daha yüksek doğruluk oranına sahip olduğunu göstermiştir.