Z-Alizadeh Sani Veri Kümesinde Koroner Arter Hastalığının Tespiti: TabNet Tabanlı Karşılaştırmalı Bir Çalışma

Ateş M. E., Aymaz Ş.

3rd International Conference on Engineering, Natural Sciences, and Technological Developments (ICENSTED 2026), Erzurum, Türkiye, 3 - 06 Temmuz 2026, ss.252-258, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Erzurum
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.252-258
  • Karadeniz Teknik Üniversitesi Adresli: Evet

Özet

Koroner arter hastalığı (KAH), erken ve doğru tespitinin klinik karar destek süreçleri açısından büyük önem taşıdığı yaygın kardiyovasküler hastalıklardan biridir. Bu çalışmada, Z-Alizadeh Sani veri kümesi üzerinde KAH tespiti için adaptif sentetik örnekleme (ADASYN) tabanlı sınıf dengeleme, farklı özellik seçim yöntemleri ve TabNet sınıflandırıcısını bir araya getiren karşılaştırmalı bir makine öğrenmesi çerçevesi önerilmiştir. Sınıf dengesizliğinin model performansı üzerindeki etkisini azaltmak amacıyla ADASYN yöntemi uygulanmış; ardından Optuna, Yapay Goril Birlikleri Optimizasyonu (GTO), Parçacık Sürü Optimizasyonu (PSO), Gübre Böceği Optimizasyonu (DBO) ve SelectKBest (varyans analizi [ANOVA]) yöntemleri kullanılarak özellik seçimi gerçekleştirilmiştir. Seçilen özellik alt kümeleri, tabakalı 10 katlı çapraz doğrulama çerçevesinde TabNet sınıflandırıcısı kullanılarak değerlendirilmiştir. Deneysel sonuçlar, karşılaştırılan yöntemler arasında SelectKBest (ANOVA) yönteminin genel olarak en iyi performansı elde ettiğini göstermiştir. Bu yöntem, seçilen 21 özellik ile %84,81 doğruluk, %92,61 kesinlik (precision), %85,56 duyarlılık (recall), %88,55 F1-skoru, %82,64 özgüllük ve %90,46 eğri altında kalan alan (AUC) değerlerine ulaşmıştır. Ayrıca, en iyi modele ait hata matrisi ve TabNet dikkat ağırlıkları analiz edilerek modelin sınıf bazındaki tahmin davranışı ve klinik değişkenlere atfettiği önem değerlendirilmiştir. Bulgular, sınıf dengesizliği bulunan tıbbi veri kümelerinde yalnızca doğruluk metriğinin değil, aynı zamanda kesinlik, F1-skoru, özgüllük ve AUC gibi dengeli performans ölçütlerinin de birlikte değerlendirilmesi gerektiğini göstermektedir. Sonuç olarak, ADASYN destekli SelectKBest–TabNet yaklaşımı, hem sınıflandırma performansı hem de yorumlanabilirlik açısından KAH tespiti için umut vadeden bir karar destek çerçevesi sunmaktadır.

Coronary artery disease (CAD) is one of the common cardiovascular diseases for which early and accurate detection is of great importance in clinical decision support processes. In this study, a comparative machine learning framework combining adaptive synthetic sampling (ADASYN)-based class balancing, different feature selection methods, and the TabNet classifier was proposed for CAD detection on the Z-Alizadeh Sani dataset. To reduce the effect of class imbalance on model performance, the ADASYN method was applied; then, feature selection was performed using Optuna, artificial gorilla troops optimization (GTO), particle swarm optimization (PSO), dung beetle optimization (DBO), and SelectKBest (analysis of variance (ANOVA)) methods. The selected feature subsets were evaluated using the TabNet classifier within a stratified 10-fold cross-validation framework. The experimental results showed that the SelectKBest (ANOVA) method achieved the best overall performance among the compared methods, reaching 84.81% accuracy, 92.61% precision, 85.56% recall, 88.55% F1-score, 82.64% specificity, and 90.46% area under the curve (AUC) with 21 selected features. In addition, the confusion matrix and TabNet attention weights obtained for the best model were analyzed to evaluate the model’s class-wise prediction behavior and the importance assigned to clinical variables. The findings indicate that, in medical datasets with class imbalance, not only accuracy but also balanced metrics such as precision, F1-score, specificity, and AUC should be considered together. In conclusion, the ADASYN-supported SelectKBest–TabNet approach provides a promising decision support framework for CAD detection in terms of both classification performance and interpretability.