A machine learning framework for predicting clinical pregnancy outcomes in intrauterine insemination
İntrauterin inseminasyonda klinik gebelik sonuçlarının tahmini için bir makine öğrenmesi çerçevesi
- Tez No: 1025881
- Danışmanlar: PROF. DR. ÖMER KARAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Rahim içi aşılama (IUI) süreçlerinde klinik gebelik sonuçlarının güvenilir biçimde öngörülmesi; sınırlı örneklem büyüklüğü, belirgin sınıf dengesizliği, heterojen klinik değişkenler ve ölçüm gürültüsü gibi faktörler nedeniyle önemli bir zorluk teşkil etmektedir. Bu tez çalışmasında, klinik gebelik tahminine yönelik olarak yüksek düzeyde sağlamlık ve yorumlanabilirlik sunan bir modelleme çerçevesinin geliştirilmesi amaçlanmıştır. Bu doğrultuda, deneysel bir yapı ile çok perspektifli geometrik bir çerçeveyi içeren çift konfigürasyonlu bir modelleme stratejisi önerilmiştir. Önerilen çerçevede, temsil öğrenimi amacıyla gürültü giderici bir otoenkoder kullanılarak hiperküre tabanlı modelleme için kompakt bir gizil uzay elde edilmekte olup model sabit bir konfigürasyon altında yapılandırılmıştır. Geliştirilen yaklaşım, 0.868 doğruluk, 0.792 kesinlik, 0.754 duyarlılık, 0.738 F1-skoru ve 0.744 ROC-AUC değerleri ile istikrarlı ve rekabetçi bir performans sergilemektedir. Modelin yorumlanabilirliğini artırmak amacıyla gerçekleştirilen SHAP analizi sonucunda, toplam ilaç dozu, toplam progresif motil sperm sayısı ve gonadotropin türünün en belirleyici değişkenler olduğu belirlenmiş; bu değişkenlerin etkilerinin doğrusal olmayan ve bağlama bağımlı bir yapı sergilediği ortaya konulmuştur. Elde edilen bulgular, önerilen çerçevenin klinik gebelik tahmininde sağlam, yorumlanabilir ve klinik açıdan anlamlı bir çözüm sunduğunu göstermektedir.
Özet (Çeviri)
Accurate prediction of clinical pregnancy outcomes in intrauterine insemination (IUI) remains a significant challenge due to limited sample sizes, pronounced class imbalance, heterogeneous clinical variables, and measurement noise. This thesis aims to develop a robust and interpretable modeling approach for clinical outcome prediction. In this context, a dual-configuration modeling strategy is proposed, consisting of an experimental setup and a structured multi-perspective geometric framework. Within the proposed framework, a denoising autoencoder is employed for representation learning, enabling the extraction of a compact latent space for hypersphere-based modeling under a fixed configuration. The proposed approach achieves stable and competitive performance, with an accuracy of 0.868, precision of 0.792, recall of 0.754, F1-score of 0.738, and ROC-AUC of 0.744. To enhance model interpretability, SHAP-based analysis is conducted, revealing that total medication dose, total progressive motile sperm count, and gonadotropin type are the most influential predictors, with nonlinear and context-dependent effects. The findings indicate that the proposed approach provides a robust, interpretable, and clinically meaningful solution for predicting clinical outcomes.
Benzer Tezler
- Kalp yetmezliğinde ölüm riskinin tahmin edilmesinde en etkili özniteliklerin bulunması
Finding the most effective features for predicting the risk of death in heart failure
BUSE NUR PAYDAŞ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiNecmettin Erbakan ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SABRİ ALTUNKAYA
- Using deep learning and medical data classification for predicting bacterial skin infection
Başlık çevirisi yok
SURA ABDULAMEER NAYYEF AL-DABBAGH
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Dikkat eksikliği ve hiperaktivite bozukluğu olan çocuklarda davranım bozukluğu gelişme riskini yordayan faktörlerin makine öğrenmesi yöntemiyle değerlendirilmesi
Machine learning assessment of risk factors for conduct disorders in childrens with attention deficit hyperactivity disorder
BÜŞRA ÇAĞIR
Tıpta Uzmanlık
Türkçe
2026
PsikiyatriErciyes ÜniversitesiÇocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. SEVGİ ÖZMEN
- Prediction of lung cancer risk using machine learning models
Makine öğrenme modellerini kullanarak akciğer kanseri riskinin tespit edilmesi
YUNUS GEZER
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOstim Teknik ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. MURAT ŞİMŞEK
- Opti̇mi̇zi̇ng di̇abetes predi̇cti̇on usi̇ng ensemble learni̇ng: A stacked model of tree-based and ANN-PSO approaches
Topluluk öğrenmesi kullanılarak diyabet tahmininin optimizasyonu: Ağaç tabanlı ve yapay sinir ağı (ANN) yaklaşımlarına dayalı yığılmış bir model
AHMED E. M. ABU SHAMLEH
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. FERDİ SÖNMEZ