Makine öğrenmesi ve derin öğrenme tabanlı sağkalım modellerinin karşılaştırılması: Açıklanabilir yapay zeka yaklaşımı
Comparison of machine learning and deep learning-based survival models: An explainable artificial intelligence approach
- Tez No: 1015383
- Danışmanlar: DOÇ. DR. EMEK GÜLDOĞAN
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Kolon kanseri sağkalım verisinde istatistiksel, ağaç tabanlı, ensemble, kernel ve derin öğrenme yaklaşımlarını temsil eden on farklı modelin tahmin performansının karşılaştırılması ve açıklanabilirlik yöntemleriyle karar mekanizmalarının değerlendirilmesi amaçlanmıştır. Materyal ve metot: R survival paketindeki colon veri seti (n=888, olay=430, olay oranı=%48.4) kullanıldı. Model performansı 5×3 iç içe çapraz doğrulama ile değerlendirilmiş; C-index, Integrated Brier Score ve zamana bağlı AUC metrikleri hesaplandı. Model güvenilirliği 1000 tekrarlı bootstrap ile %95 güven aralıkları üzerinden değerlendirilmiştir. Bulgular: İç içe çapraz doğrulamada en yüksek ortalama C-index DeepSurv (0.6569), RSF (0.6568) ve DeepHit (0.6567) modellerinde birbirine çok yakın elde edilmiş; RSF en düşük IBS (0.1743) ve en yüksek TD-AUC değerlerinden biri (0.7161) ile en dengeli performansı göstermiştir. Bootstrap analizinde ExtraSurvTrees en yüksek C-index (0.7350), IBS (0.1503) ve TD-AUC (0.8098) değerlerine ulaşmış; ancak iç içe çapraz doğrulamadaki düşük sıralaması bu sonucun iyimser yanlılığına işaret etmektedir. SHAP analizi tüm modellerde pozitif lenf düğümü sayısını en güçlü prognostik faktör olarak belirlemiştir. SurvSHAP(t) öznitelik öneminin zamana bağlı değişimini, SurvLIME ise hasta düzeyinde yorumlanabilir risk profilleri ortaya koymuştur. Sonuç: Ensemble yöntemler tutarlı üstünlük gösterirken derin öğrenme modelleri küçük-orta ölçekli verilerde kararsızlık riski taşımaktadır. Açıklanabilirlik analizleri modeller arası tutarlı prognostik örüntüleri doğrulayarak klinik karar destek uygulamalarına zemin hazırlamaktadır.
Özet (Çeviri)
Aim: This study aimed to compare the predictive performance of ten models representing statistical, tree-based, ensemble, kernel, and deep learning approaches on colon cancer survival data and to evaluate their decision mechanisms using explainability methods. Material and method: The colon dataset from the R survival package (n=888, events=430, event rate=48.4%) was used. Model performance was evaluated using 5×3 nested cross-validation with C-index, Integrated Brier Score, and time-dependent AUC. Model reliability was assessed through 1000-iteration bootstrap with 95% confidence intervals. Results: In nested cross-validation the highest mean C-index values were very close across DeepSurv (0.6569), RSF (0.6568), and DeepHit (0.6567); RSF showed the most balanced performance with the lowest IBS (0.1743) and one of the highest TD-AUC values (0.7161). In bootstrap analysis ExtraSurvTrees achieved the highest C-index (0.7350), IBS (0.1503), and TD-AUC (0.8098), although its low nested-CV ranking indicates the optimistic bias of this estimate. SHAP analysis identified the number of positive lymph nodes as the strongest prognostic factor across all models. SurvSHAP(t) revealed time-dependent variations in feature importance, while SurvLIME provided patient-level interpretable risk profiles. Conclusion: Ensemble methods demonstrated consistent superiority while deep learning models carried instability risk on small-to-medium datasets. Explainability analyses confirmed consistent prognostic patterns across models, laying the groundwork for clinical decision support applications.
Benzer Tezler
- Prostat manyetik rezonans görüntülemesinden derin öğrenme tabanlı yapay zeka algoritması ile elde edilen radyomiks parametrelerinin prostat kanseri metastazlarını öngörmedeki başarısının araştırılması
Deep learning–based artificial intelligence radiomics from prostate magnetic resonance imaging for predicting prostate cancer metastases
ESRA AKÇİÇEK
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ALİ DEVRİM KARAOSMANOĞLU
- Development of explaınable artıfıcıal ıntellıgence model for bıomedıcal survıval analysıs
Biyomedikal sağkalım analizi için açıklanabilir yapay zekâ modeli geliştirilmesi
ABDULLAH NURİ SOMUNCUOĞLU
Doktora
İngilizce
2026
BiyoistatistikOrta Doğu Teknik ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. VİLDA PURUTÇUOĞLU
- Fully automated deep learning and machine learning –based prognosis models for survival prediction of brain tumor patients using multi-modal mri images
Multimodal mrı görüntüleri kullanarak beyin tümörü hastalarının hayatta kalma tahmini için tam otomatik derin öğrenme ve makine öğrenme tabanlı prognoz modelleri
ABDELA AHMED MOSSA
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
- Artificial intelligence assisted drop pattern analysis and RNAseq profiling for early diagnosis and follow-up of bladder cancer
Mesane kanserinin erken tanı ve takibinde yapay zeka destekli damla motif analizi ve RNAseq profilleme
RAMİZ DEMİR
Doktora
İngilizce
2023
Moleküler TıpKoç ÜniversitesiTıbbi Genetik Ana Bilim Dalı
PROF. DR. DEVRİM GÖZÜAÇIK
- Automatic semantic segmentation of organs-at-risk and target tumor volume in radiotherapy planning CT images of nasopharyngeal cancer
Nazofarengeal kanser radyoterapi planlama BT görüntülerinde risk altındaki organların ve hedef tümör hacminin otomatik semantik segmentasyonu
MURAT YÜCE
Yüksek Lisans
İngilizce
2024
BiyomühendislikAcıbadem Mehmet Ali Aydınlar ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. SEDA NİLGÜN DUMLU
DOÇ. DR. SİNEM BURCU ERDOĞAN