Geri Dön

Yapılandırılmış sağlık verilerinde diyabet teşhisi için derin öğrenme ve klasik makine öğrenmesi yöntemlerinin karşılaştırmalı analizi: Açıklanabilir bir yaklaşım

Comparative analysis of deep learning and classical machine learning methods for diabetes diagnosis in structured health data: An explainable approach

PDF İndir

  1. Tez No: 1003526
  2. Yazar: İSMAİL ÇELEBİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ HASAN GÜLER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Kilis 7 Aralık Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Diyabet, dünya genelinde prevalansı hızla artan ve erken teşhis edilmediğinde ciddi komplikasyonlara yol açan kronik bir metabolik hastalıktır. Bu çalışma, diyabetin erken teşhisinde klinik karar destek sistemlerinin etkinliğini artırmak amacıyla, DL mimarileri ile ML algoritmalarının performansını karşılaştırmayı ve modellerin karar mekanizmalarını tıbbi açıdan doğrulamayı amaçlamaktadır. Çalışmada, CDC tarafından sağlanan BRFSS 2015 veri seti kullanılmıştır. Veri seti için veri ön işleme uygulanmış sürekli özellikler Sağlam Ölçeklendirme (Robust Scaling) yöntemi ile ölçeklendirilmiştir. Çalışma kapsamında iki derin öğrenme mimarisi (DNN ve 1D-CNN) ile üç klasik makine öğrenmesi algoritması (SVM, RF ve XGBoost) tasarlanmıştır. Modellerin performansı 10-katlı stratifiye çapraz doğrulama ile test edilmiştir. Açıklanabilirlik için permütasyon özellik önemi analizleri ile değerlendirilmiştir. Sonuçlar, tabular verilerde DL modellerinin üstünlüğünü ortaya koymuştur. Geliştirilen 1D-CNN modeli, %75,14 Doğruluk ve 0,7622 F1 Skoru ile tüm modeller arasında en yüksek genel başarıyı sergilemiştir. Klinik tarama (screening) hassasiyeti açısından ise SVM modeli, %80,23 Duyarlılık oranı ile diyabetli vakaları tespit etmede en başarılı yöntem olmuştur. Olasılıksal risk sıralamasında ise RF (%82,82 AUC) öne çıkmıştır. Açıklanabilirlik analizleri, beş modelin tamamının BMI en kritik risk faktörü olarak belirlediğini göstererek, yapay zeka kararlarının tıbbi literatürle tam uyumlu olduğunu kanıtlamıştır. Bu çalışma, CNN'nin tabular sağlık verilerinde gürültüyü filtreleyerek klasik yöntemlerden daha başarılı sonuçlar verebileceğini göstermiştir. Klinik uygulama için, yüksek duyarlılığa sahip SVM'in ön tarama, yüksek doğruluğa sahip CNN'in ise kesin tanı aracı olarak kullanıldığı hibrit bir mimari önerilmektedir. Ayrıca, açıklanabilirlik katmanlarının entegrasyonu, güvenilir yapay zekâ olarak ele alınması açısından katkı sağlamıştır.

Özet (Çeviri)

Diabetes is a chronic metabolic disease with a rapidly increasing prevalence worldwide that can lead to serious complications if not diagnosed early. This study aims to compare the performance of DL architectures and ML algorithms and validate the decision mechanisms of the models from a medical perspective to improve the effectiveness of clinical decision support systems in the early diagnosis of diabetes. The study utilized the BRFSS 2015 dataset provided by the CDC. Continuous features for the dataset were scaled using the Robust Scaling method after data preprocessing. Within the scope of the study, two deep learning architectures (DNN and 1D-CNN) and three classical machine learning algorithms (SVM, RF, and XGBoost) were designed. The performance of the models was tested using 10-fold stratified cross-validation. Explainability was evaluated using permutation feature importance analyses. The results demonstrated the superiority of DL models in tabular data. The developed 1D-CNN model showed the highest overall success among all models, with 75.14% Accuracy and 0.7622 F1 Score. In terms of clinical screening sensitivity, the SVM model was the most successful method in detecting diabetic cases, with an 80.23% Sensitivity rate. In probabilistic risk ranking, RF stood out with an AUC of 82.82%. Interpretability analyses showed that all five models identified Body Mass Index (BMI) as the most critical risk factor, proving that AI decisions are fully consistent with the medical literature. This study demonstrated that CNN can filter noise in tabular health data and yield more successful results than classical methods. For clinical application, a hybrid architecture is proposed, where SVM with high sensitivity is used for screening and CNN with high Doğruluk is used as a definitive diagnostic tool. Furthermore, the integration of explainability layers has contributed to its consideration as reliable artificial intelligence.

Benzer Tezler

  1. Tez No

    699555

    Hastalık yönetimi politikaları: Diyabet örneği

    Disease management policy: The case of diabetes

    HATİCE MUTLU

    Doktora

    Türkçe

    Türkçe

    2021

    Sağlık YönetimiÜsküdar Üniversitesi

    Sağlık Yönetimi Ana Bilim Dalı

    PROF. DR. HAYDAR SUR

  2. Tez No

    606514

    Bodily and biosocial user practices in type 1 diabetes management

    Tip 1 diyabet yönetiminde bedensel ve biyososyal kullanıcı pratikleri

    SEZGİ KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Endüstri Ürünleri TasarımıOrta Doğu Teknik Üniversitesi

    Endüstri Ürünleri Tasarımı Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HARUN KAYGAN

  3. Tez No

    834806

    Tip 2 diyabete bağlı ayak yarası gelişen hastalarda diyabet öz yönetimi, ayak öz bakım davranışı ve yaşam kalitesinin incelenmesi

    Examination of self-management, foot self-care behaviour, and quality of life in foot ulcer associated with type 2 diabetes

    ZEYNEP BAYRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Hemşirelikİstanbul Okan Üniversitesi

    Hemşirelik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZLEM YAZICI

  4. Tez No

    453878

    Sağlık alanında büyük veri ve veri madenciliği yöntemlerinin kullanımı

    Big data and data mining methodologies in medicine

    BATUHAN BAKIRARAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    BiyoistatistikAnkara Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. YASEMİN YAVUZ

  5. Tez No

    525953

    Eğitim aile sağlığı merkezine (e-asm) kayıtlı hastaların tedavi edici sağlık hizmetlerine yönelik karşılanmayan ihtiyaçlarının belirlenmesi

    Assessment of unmet healthcare needs of therapeutic health services in patients who apply to the educational primary care center (e-pcc)

    SEMA NUR ŞAHİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Aile HekimliğiMarmara Üniversitesi

    Aile Hekimliği Ana Bilim Dalı

    DOÇ. DR. MEHMET AKMAN

Geri Dön