Akademik Veri Yönetim Sistemi
2nd INTERNATIONAL TOROS SCIENTIFIC RESEARCH AND INNOVATION CONGRESS, Mersin, Türkiye, 19 - 20 Mayıs 2026, ss.51-61, (Tam Metin Bildiri)
Meme kanseri, dünya genelinde kadınlar arasında en sık görülen ve erken teşhis edilmediğinde ölüm
riski yüksek olan önemli sağlık problemlerinden biridir. Günümüzde biyomedikal verilerin artmasıyla
birlikte makine öğrenmesi tabanlı bilgisayar destekli teşhis sistemleri hastalıkların erken tanısında
yaygın olarak kullanılmaktadır. Ancak yüksek boyutlu veri setlerinde gereksiz veya düşük etkili
özelliklerin bulunması, sınıflandırma performansını düşürmekte ve model karmaşıklığını artırmaktadır.
Bu problem, hem işlem maliyetini artırmakta hem de teşhis başarısını olumsuz etkileyebilmektedir.
Bu çalışmada, meme kanseri teşhisinde daha başarılı ve daha düşük boyutlu bir sınıflandırma modeli
geliştirmek amacıyla Grey Wolf Optimizer (GWO) ve Support Vector Machine (SVM) tabanlı hibrit
bir yaklaşım önerilmiştir. Çalışmada Kaggle platformundan elde edilen meme biyopsi veri seti
kullanılmış ve tüm işlemler MATLAB ortamında gerçekleştirilmiştir. İlk aşamada tüm özellikler
kullanılarak temel bir SVM modeli oluşturulmuş, ardından GWO algoritması yardımıyla sınıflandırma
başarısını artıran en uygun özellik alt kümesi belirlenmiştir. Model performansları doğruluk, kesinlik,
duyarlılık, F1 skoru ve AUC metrikleri kullanılarak değerlendirilmiştir.
Elde edilen sonuçlara göre başlangıçta kullanılan 24 özellik sayısı GWO yöntemi ile 9’a düşürülmüş ve
%62,5 oranında boyut azaltımı sağlanmıştır. Tüm özelliklerle oluşturulan temel modelde doğruluk oranı
%88,30 ve AUC değeri 0,9635 olarak elde edilirken, GWO destekli modelde doğruluk oranı %94,15’e
ve AUC değeri 0,9771’e yükselmiştir. Ayrıca kesinlik, duyarlılık ve F1 skorlarında da belirgin
iyileşmeler gözlemlenmiştir. Sonuçlar, GWO tabanlı özellik seçimi yaklaşımının gereksiz özellikleri
elimine ederek daha düşük boyutlu, daha hızlı ve daha başarılı bir meme kanseri teşhis modeli
oluşturduğunu göstermektedir. Bu doğrultuda önerilen hibrit yapının bilgisayar destekli meme kanseri
teşhisinde etkili ve güvenilir bir yöntem sunduğu değerlendirilmiştir.
Breast cancer is one of the most common diseases among women worldwide and represents a serious
health problem with a high mortality risk if not diagnosed at an early stage. With the rapid growth of
biomedical data, machine learning-based computer-aided diagnosis systems have become widely used
for the early detection of diseases. However, the presence of irrelevant or low-impact features in highdimensional
datasets decreases classification performance and increases model complexity. This
problem not only raises computational cost but also negatively affects diagnostic accuracy.
In this study, a hybrid approach based on Grey Wolf Optimizer (GWO) and Support Vector Machine
(SVM) is proposed to develop a more accurate and lower-dimensional classification model for breast
cancer diagnosis. A breast biopsy dataset obtained from the Kaggle platform was used, and all
experiments were conducted in the MATLAB environment. In the first stage, a baseline SVM model
was created using all available features. Then, the most appropriate subset of features that improved
classification performance was determined using the GWO algorithm. Model performances were
evaluated using accuracy, precision, recall, F1-score, and AUC metrics.
According to the obtained results, the initial number of 24 features was reduced to 9 using the GWO
method, achieving a dimensionality reduction of 62.5%. While the baseline model built with all features
achieved an accuracy of 88.30% and an AUC value of 0.9635, the GWO-supported model increased
the accuracy to 94.15% and the AUC value to 0.9771. In addition, significant improvements were
observed in precision, recall, and F1-score values. The results demonstrate that the GWO-based feature
selection approach eliminates unnecessary features and produces a lower-dimensional, faster, and more
successful breast cancer diagnosis model. Accordingly, the proposed hybrid structure is considered an
effective and reliable method for computer-aided breast cancer diagnosis.