Geri Dön

Tıbbi araştırmalarda destek vektör makinelerinin kullanımı

Using of support vector machines in medical research

PDF İndir

  1. Tez No: 340813
  2. Yazar: ÖZGE AKŞEHİRLİ
  3. Danışmanlar: PROF. DR. HANDAN ANKARALI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2012
  8. Dil: Türkçe
  9. Üniversite: Düzce Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 145

Özet

Günümüz teknolojisinde bilgisayar kapasite ve hızlarının artmasına paralel olarak, çeşitli sektörlerde, depolanan verinin kapasitesi ve karmaşıklığı da artmaktadır. Bu verilerin uygun ileri tekniklerle işlenmesi sonucunda ise yaşam koşullarında baş döndürücü teknolojik değişimler gözlenmektedir. Büyük boyutlardaki verilerden anlamlı bilgiler çıkarmak amacıyla özellikle son yıllarda yoğun kullanım alanı bulan ve gelecekte ise klasik istatistik yöntemlerin yerini alacak olan veri madenciliği yöntemleri tercih edilmektedir. Destek vektör makinaları (DVM), bu yöntemlerden birisi olup günümüzde sınıflandırma, tahmin veya yapı tanıma amaçlarıyla en çok mühendislik uygulamalarında kullanılmaktadır. Bu tez çalışmasında, veri madenciliği kavramlarının tanımlanması, DVM'nin teorik temellerinin ayrıntılı olarak açıklanması ve bu yöntemin tanı koyma amacı güden tıbbi araştırmalarda kullanımı amaçlanmıştır. Bu amaca yönelik olarak çalışmada, ilk olarak veri madenciliğinden ve veri madenciliği yöntemlerinden kısaca bahsedilmiş, daha sonra destek vektör makinelerine kapsamlı olarak değinilmiştir. Veri madenciliği yöntemlerinden biri olan DVM, veriyi sınıflandırmak veya tahmin yapmak amacıyla kullanılan, eğiticili bir makine öğrenmesi yöntemidir. DVM'nin temelini, verilerin bir düzlem veya hiperdüzlem ile ayrılarak sınıflandırılması işlemi oluşturmaktadır. DVM bu işlemi, iki sınıf arasındaki marjini maksimum yaparak gerçekleştirir. Bu şekilde veri eğitildikten sonra, DVM yeni gelen veriyi doğru sınıflamayı amaçlamaktadır. Tıpta DVM özellikle, kanser morfolojisinde, tedavi başarısının ve ilgili genin belirlenmesinde, çeşitli hastalıkların teşhisinde kullanılmaktadır. Araştırmanın uygulama bölümünde, Zonguldak Karaelmas Üniversitesi Tıp Fakültesi psikiyatri polikliniğine gece yeme sendromu şikayetiyle 1-31 Ocak 2011 tarihleri arasında ayaktan başvuran ve çalışmaya katılmayı kabul eden 433 hastaya ilişkin bilgiler kullanılmıştır. Bu veriler kullanılarak, tek değişkenli analiz, lojistik regresyon analizi ve DVM yöntemleri ile tanı koymada etkili olan değişkenler incelenmiş ve sadece GYA_puan değişkeni üç yaklaşımla da etkili bulunmuştur. Ayrıca lojistik regresyon ve DVM ile doğru sınıflama başarıları incelendiğinde, her iki yöntemin de benzer sonuçlar verdiği görülmüş ancak DVM'nin üstünlükleri tartışılmıştır. Ayrıca, uygulamalarda en sık adı geçen doğrusal, polinomiyal, sigmoid ve radyal tabanlı fonksiyon (RTF) performansları da karşılaştırılmıştır. Bu karşılaştırmalarda 4 farklı çekirdek fonksiyonunun sınıflama performanslarının benzer sonuçlar verdiği görülmüş ancak çeşitli yönlerden RTF'nin üstünlüğünden bahsedilmiştir.

Özet (Çeviri)

In today's technology, with increase of capacity and speed of computers, in various sectors, capacity and complexity of the stored data also increases. As a result of processing of these data with appropriate advanced techniques, the dizzying technological changes have been observed in living conditions. For the purpose of extracting meaningful information from huge amounts of data, data mining methods that found intensive usage especially in recent years and in the future will replace with the traditional statistical methods are preferred. Support vector machine (SVM) is one of these methods and today it is used for classification, estimation or pattern recognition mostly in engineering applications. In this study it was aimed to define concepts of data mining, explain theoretical foundations of SVM particularly and use of this method for diagnosing in medical research. For this purpose, firstly data mining and data mining methods were mentioned briefly, then support vector machines method was described comprehensively. SVM, which is one of data mining methods is a machine learning tool that uses supervised learning to classify or predict the data. Basic idea behind SVM is to classify the data by dividing them with a plane or hyperplane. DVM achives this procedure by doing maximum the margin between two classes. After training of the data, SVM aims to classify the new data correctly. In medicine, SVM is used for cancer morphology, identifying success of treatment and related gene, diagnosing various diseases. In application of the study, informations about 433 patient who were refer to the outpatient department of Zonguldak Karaelmas University Faculty of Medicine between date of 1-31 January 2011 for complaints of night eating syndrome were used. Using these data, variables that is effective in diagnosing were examined with univariate analysis, logistic regression and SVM methods and only GYA_puan variable found to be effective in the three approaches. Also when the classification performances of logistic regression and SVM were examined, it was seen that both of the methods gave similar results but superiority of SVM was discussed. In addition, performances of linear, polynomial, sigmoid and radial basis function (RBF) mentioned most common in applications were compared. In these comparisons, it was seen that the classification performances of 4 different kernel function gave similar results, however superiority of RBF in various ways was mentioned

Benzer Tezler

  1. Tez No

    390474

    Hastalıkların uyarlanmış destek vektör makinesiyle teşhis edilmesi

    Diagnosis of disease by adapted support vector machine

    ENGİN KARACAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERDAL KILIÇ

  2. Tez No

    526560

    Pre-release forecasting of imdb movie ratings using multi-view data

    Gösterime girmemiş filmlerin ımdb puanının farklı özellik kümeleri kullanılarak tahmin edilmesi

    BEYZA ÇİZMECİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE ÖĞÜDÜCÜ

  3. Tez No

    884669

    Ses teli damar ve şekil özelliklerini değerlendirerek ses telipatolojilerinin sınıflandırılması

    Classification of laryngeal disorders based on shape and vascular patterns of vocal folds

    HAFİZA İREM TÜRKMEN ÇİLİNGİR

    Doktora

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. MİNE ELİF KARSLIGİL

  4. Tez No

    379550

    Mamogram görüntülerinden makine öğrenmesi yöntemleri ile meme kanseri teşhisi

    Breast cancer detection on mammogram images by using machine learning techniques

    İSMAİL İŞERİ

    Doktora

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CEMİL ÖZ

  5. Tez No

    611110

    Diagnosis on lung cancer using artificial neural network

    Yapay sinir ağını kullanarak akciğer kanserinin teşhisi

    MOHAMMED KHALAF ABDULLAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEFER KURNAZ

Geri Dön