Development of explaınable artıfıcıal ıntellıgence model for bıomedıcal survıval analysıs
Biyomedikal sağkalım analizi için açıklanabilir yapay zekâ modeli geliştirilmesi
- Tez No: 1001599
- Danışmanlar: PROF. DR. VİLDA PURUTÇUOĞLU
- Tez Türü: Doktora
- Konular: Biyoistatistik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Biostatistics, Computer Engineering and Computer Science and Control, Statistics
- Anahtar Kelimeler: Biyomedikal mühendisliği, Biomedical engineering
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenmesi ve derin öğrenme mimarileri, sağ kalım analizinde benzeri görülmemiş bir tahmin doğruluğu sunsa da,“kara kutu”nitelikleri nedeniyle kritik biyomedikal alanlarda kullanımları sınırlıdır. Özellikle Yerel Yorumlanabilir Modelden Bağımsız Açıklamalar (LIME) gibi mevcut Açıklanabilir Yapay Zekâ (XAI) teknikleri, stokastik bozulma stratejilerine dayanmakta ve bu durum, aynı örneklemler için tutarsız açıklamalar üreterek klinik güveni zedelemektedir. Bu tez, doğrusal vekil modellerin doğasında var olan kararsızlık sorununu, yeni bir çerçeve olan MARS-LIME ile ele almaktadır. Çalışma, Çok Değişkenli Uyarlamalı Regresyon Eğrilerini (MARS) yerel açıklama sürecine entegre ederek, geleneksel doğrusal yaklaşımların çözümleyemediği yerel karar sınırlarındaki doğrusal olmayan ilişkileri ve yüksek boyutlu etkileşimleri etkin bir şekilde modellemektedir. Ayrıca, risk faktörü analizinin hassasiyetini artırmak amacıyla ikinci dereceden değişken etkileşimlerini açıkça modelleyen MARS2-LIME varyantı geliştirilmiştir. NHANES I epidemiyolojik veri seti üzerinde gerçekleştirilen kapsamlı ampirik değerlendirmeler, önerilen MARS tabanlı yaklaşımların, Katsayı Kararlılık İndeksi (CSI) ve Değişken Kararlılık İndeksi (VSI) açısından standart LIME ve OptiLIME yöntemlerine kıyasla istatistiksel olarak üstün performans sergilediğini kanıtlamıştır. Ayrıca, özellik sıralaması tutarlılığını ölçmek için bulanık mantık tabanlı bir görselleştirme tekniği sunulmuştur. Sonuç olarak bu araştırma,“post-hoc”açıklamaların stokastik oynaklığını minimize ederek, karmaşık sağ kalım modellerinin yorumlanması için matematiksel olarak kararlı ve gürbüz bir temel oluşturmaktadır.
Özet (Çeviri)
While machine learning and deep learning architectures offer unprecedented predictive accuracy in survival analysis, their deployment in high-stakes biomedical domains is hindered by their“black-box”nature. Current Explainable AI (XAI) techniques, particularly Local Interpretable Model-Agnostic Explanations (LIME), rely on stochastic perturbation strategies that often yield unstable and inconsistent explanations for identical instances, thereby compromising clinical trust. This thesis addresses the inherent instability of linear surrogate models by introducing a novel framework: MARS-LIME. By integrating Multivariate Adaptive Regression Splines (MARS) into the local explanation process, the proposed method effectively captures non-linear relationships and high-dimensional interactions within local decision boundaries, which traditional linear approximations fail to resolve. Furthermore, an extended variant, MARS2-LIME, is developed to explicitly model second-order variable interactions, enhancing the granularity of risk factor analysis. Rigorous empirical evaluations conducted on the NHANES I epidemiological dataset demonstrate that MARS-based approaches significantly outperform standard LIME and OptiLIME in terms of Coefficients Stability Index (CSI) and Variables Stability Index (VSI). The study also presents a fuzzy-logic-based visualization technique to quantify feature ranking consistency. Ultimately, this research mitigates the stochastic volatility of post-hoc explanations, providing a robust and mathematically stable foundation for interpreting complex survival models in critical healthcare applications.
Benzer Tezler
- Blokzincir tabanlı güvenilir ve açıklanabilir yapay zeka kullanan akıllı sağlık çatısının geliştirilmesi
Development of smart health framework using blockchain-based trustworthy and explainable artificial intelligence
KÜBRA ARSLANOĞLU
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- A novel ensemble framework for XAİ-based feature selection in machine learning models
Makine öğrenimi modellerinde XAİ tabanlı özellik seçimi için yeni bir ensemble çerçevesi
HALİL İBRAHİM DEMİREL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. SÜREYYA AKYÜZ
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Optik koherens tomografisi görüntüleri kullanarak evrişimsel sinir ağı tabanlı retinal hastalık tespiti
Convolutional neural network based retinal disease detection via optical coherence tomography images
İSMAİL KAYADİBİ
Yüksek Lisans
Türkçe
2021
Mühendislik BilimleriAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜR EMRE GÜRAKSIN
- Early diagnosis of acute myocardial infarction using ECG signals with explainable artificial intelligence
Akut Miyokard Enfarktüsü'nün EKG sinyalleri üzerinden açıklanabilir yapay zekâ ile erken tanısı
TOYGAR TANYEL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ