Seçilen siğil tedavi yönteminin farklı makine öğrenmesi algoritmaları ile başarımının tahmin edilmesi
Prediction of the success of the selected wart treatmentmethod using various machine learning algorithms
- Tez No: 539251
- Danışmanlar: DR. ÖĞR. ÜYESİ RUKİYE UZUN, DR. ÖĞR. ÜYESİ YALÇIN İŞLER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Siğil, kriyoterapi, imünoterapi, makineöğrenmesi, naive Bayes, lojistikregresyon, kararağacı, k-yakınkomşu, destekvektörmakineleleri, aşırıöğrenmemakinesi, çokkatmanlıalgılayıcı, Wart, cryotherapy, immunotherapy, machine learning, naive Bayes, decision tree, logistic regression, k-nearest neighbors, support vector machines, extreme learning machines, multi-layer perceptron
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
Siğiller virüs temelli olup en sık karşılaşılan dermatolojik sorunların başında gelmektedir. Siğil tedavisinde çeşitli tedavi yöntemleri geliştirilmiştir. Son zamanlarda yaygın ve ayak taban siğili olan hastalara kriyoterapi ve immünoterapi tedavi yöntemleri uygulanmaya başlanmıştır. Bununla birlikte hangi tedavi yönteminin başarılı olacağına dair bir kanıt bulunmamaktadır. Bu çalışmada, bu iki yöntemin siğil tedavisinde başarılı olup olmayacağı literatürde yaygın kullanıma sahip makine öğrenmesi yöntemleri ile tedavi uygulanmadan önce tahmin edilmeye çalışılmıştır. Bu algoritmaların girişlerine açık erişime sahip olan UCI veri tabanındaki veriler uygulanarak algoritmalar koşturulmuştur. Bu veriler yaygın ve / veya ayak tabanı siğil türlerine sahip 180 hastaya ait iki veri setinin birleştirilmesiyle elde edilmiştir. Hastaların yarısına kriyoterapi ve diğer yarısına immünoterapi yöntemleri uygulanmıştır. Sonuç olarak, seçilen siğil tedavi yönteminin başarısı duyarlık, belirleyicilik ve genel başarım ölçütlerine göre belirlenmiştir. Bu değerler kullanılan yöntemlere göre sırasıyla NaiveBayes yöntemi için %68,43, %67,61 ve %67,78, Lojistik Regresyon yöntemi için %26,32, %94,37 ve %80,00, Karar Ağacı yöntemi için %52,63, %94,37 ve %85,56, 7-Yakın Komşuluk yöntemi için %15,79, %97,19 ve %80,00, Destek Vektör Makineleri yöntemi için %47,37, %95,78 ve %85,46, Aşırı Öğrenme Makinesi yöntemi için %36,85, %90,15 ve %78,89,Çok Katmanlı Algılayıcı yöntemi için %78,95, %98,60 ve %94,45 olarak tespit edilmiştir. Bu değerler içinde en yüksek genel başarımı veren Çok Katmanlı Algılayıcı yöntemi ile literatürdeki mevcut az sayıdaki çalışmadan çok daha yüksek bir doğrulukla tercih edilen siğil tedavi yönteminin başarılı olup olamayacağını tahmin edilebilmiştir.
Özet (Çeviri)
Warts,which are virus-based,are the most common dermatoses in society. Several treatment methods have been developed in the wart treatment. Recently, treatment methods of cryotherapy and immunotherapy have been got off the ground to the patients with common and plantar warts. On the other hand, there is no proof of which treatment method will be successful, yet. In this study, it was predicted if these two methods to be applied in the treatment of warts will success or not before staring the treatment using commonly-used machine learning algorithms. Algorithms were run by applying the two online and freely available UCI data sets to the inputs. These data were combined from two data sets from 180 patients with common and / or plantar warts. The cryotherapy was applied to the half of patients and the immunotherapy was applied to the other half. As a result, the success of the selected wart treatment method was predicted with the criteria of sensitivity, specificity, and accuracy. These values were obtained for the corresponding algorithms used, respectively: 68.43, 67.61 and 67.78for Naive Bayes, 26.32%, 94.37%and80.00% for Logistic Regression, 52.63%, 94.37%and85.56% for Decision Tree, 15.79%, 97.19% and 80.00% for 7-Nearest Neighbors, 47.37%, 95.78% and 85.46% for Support Vector Machines, 36.85%, 90.15%and 78.89% for Extreme Learning Machines, and 78.95%, 98.60% and 94.45% for Multi-Layer Perceptron. Multi-Layer Perceptron, which is resulted in the highest general accuracy among these methods, can predict whether the selected wart treatment will succeed or not more accurately than the few studies presented in the literature.
Benzer Tezler
- Flukonazol dirençli candida parapsilosis kompleks izolatlarında virülans özellikleri ve çeşitli ilaç kombinasyonlarının etkileri
Virulence characteristics and effects of various drug combinations in fluconazole-resistant candida parapsilosis complex isolates
HELİN JASAD
Doktora
Türkçe
2024
Eczacılık ve FarmakolojiEge ÜniversitesiFarmasötik Mikrobiyoloji Ana Bilim Dalı
DOÇ. DR. FETHİYE FERDA YILMAZ
- Production of functional nanofibrous gelatin wound dressings and a study on drug repositioning
Fonksiyonel nanolif jelatin yara örtülerinin üretimi ve ilaç yeniden konumlandırılması üzerine bir çalışma
HİLAL ÖZYURT
Yüksek Lisans
İngilizce
2024
Biyomühendislikİstanbul Teknik ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
DOÇ. DR. ALİ KILIÇ
- Hastanelerde mevcut sivil savunma organizasyon yapısının ve faaliyetlerinin incelenmesine yönelik bir araştırma
Investigation abojt the activities and structure of the civil defense organization in hospital
AHMET YÜKSEL ÇALIŞKAN
Yüksek Lisans
Türkçe
1997
İşletmeİstanbul ÜniversitesiHastane ve Sağlık Kuruluşlarında Yönetim Ana Bilim Dalı
PROF. DR. RİAN DİŞÇİ
- Biyopolimer-kil nanokompozitlerinden kontrollü protein salımı
Controlled protein release from biopolymer-clay nanocomposite
HAKAN KAYGUSUZ
Yüksek Lisans
Türkçe
2011
Kimyaİstanbul Teknik ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. F. BEDİA ERİM BERKER
- Göze uygulanmak üzere ilaç taşıyıcı sistemlerin tasarımı hakkında çalışmalar
Studies on the design of drug delivery systems for ophthalmic application
BURCU ÜNER
Doktora
Türkçe
2021
Eczacılık ve Farmakolojiİstanbul ÜniversitesiFarmasötik Teknoloji Ana Bilim Dalı
PROF. DR. YILDIZ ERGİNER
DR. ÖĞR. ÜYESİ SAMET ÖZDEMİR