Geri Dön

Makine öğrenimi yöntemlerini kullanarak evre III invaziv duktal karsinomlu hasta verilerinin sınıflandırılması

Classification of patients with stage III invasive ductal carcinoma using machine learning methods

PDF İndir

  1. Tez No: 539631
  2. Yazar: EMRE DİRİCAN
  3. Danışmanlar: PROF. DR. ZEKİ AKKUŞ
  4. Tez Türü: Doktora
  5. Konular: Bilim ve Teknoloji, Biyoistatistik, Science and Technology, Biostatistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 112

Özet

ÖZET Amaç: Tez çalışmasında, danışmanlı makine öğrenimi yöntemleri sınıflama performansına göre kıyaslanarak çalışmada kullanılan yöntemlerin içerisinden, sınıflama başarısı yüksek olan yöntemin bulunması amaçlandı. Gereç ve Yöntem: Çalışmamızda, destek vektör makineleri, rasgele orman ve yapay sinir ağları yöntemlerinin sınıflama performanslarını kıyaslamak için meme kanseri türlerinden biri olan invaziv duktal karsinomlu 302 hastanın sağkalım bilgilerini içeren veri seti ile birlikte simülasyonla elde edilen 24 farklı veri seti kullanıldı. Kullanılan yöntemlerin sınıflama başarıları meme kanseri verilerinde genel doğruluk, duyarlılık, seçicilik, F-ölçütü, Matthews korelasyon kastsayısı, AUC ve ayırsama gücüne göre kıyaslandı. Simülasyon verilerinde ise eğitim-test doğrulukları farkı ve bu farkın anlamlılığı değerlendirildi. Bulgular: İnvaziv duktal karsinom evre III hastalarının test seti için en yüksek sağkalım sınıflama doğruluğu (%80) ve yüksek performans değerlendirme kriteri değerleri radyal çekirdekli destek vektör makinelerinden elde edildi. Simülasyon verilerinde de yüksek sınıflama doğruluğu ve doğruluklar arasındaki farkın küçüklüğü genel olarak destek vektör makinelerinden elde edildi. Sonuç: Destek vektör makineleri hem gerçek veri setinde hem de simülasyon verilerinde, rasgele orman ve yapay sinir ağlarına göre daha yüksek doğruluk oranına sahiptir.

Özet (Çeviri)

ABSTRACT Aim: In the thesis study, it was aimed to find the method with high classification success among the methods used in the study by comparing the machine learning methods according to the classification performance. Material and Method: In our study, the data set of 302 patients with invasive ductal carcinoma, one of the breast cancer types, and 24 different data sets obtained by simulation were used to compare the classification performances of support vector machines, random forest and artificial neural network methods. The success of classifications of the methods used were compared according to the general accuracy, sensitivity, specificity, F-measure, Matthews correlation coefficient, AUC and discriminant power in breast cancer data. In the simulation data, the difference between train-test accuracy and the significance of this difference were evaluated. Results: The highest survival classifying accuracy (80%) and high performance evaluation criterion values of the test set of invasive ductal carcinoma stage III patients were obtained from radial kernel support vector machines. In the simulation data, the high classification accuracy and the small difference between accuracies were obtained from the support vector machines in general. Conclusion: Support vector machines have higher accuracy in both the real data set and simulation data than random forest and artificial neural networks.

Benzer Tezler

  1. Tez No

    846535

    Antenna design for breast cancer detection and machine learning approach for birth weight prediction

    Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı

    HALUK KIRKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONUR KURT

  2. Tez No

    901045

    Development of a biomarker panel for the differential diagnosis of muscle-invasive and non-muscle-invasive bladder cancer

    Kasa invaziv ve kasa invaziv olmayan mesane kanserinin ayırıcı tanısı için bir biyomarker panelinin geliştirilmesi

    ÖZDEN ÖZ

    Doktora

    İngilizce

    İngilizce

    2024

    GenetikDokuz Eylül Üniversitesi

    Genom Bilimleri ve Moleküler Biyoteknoloji Ana Bilim Dalı

    PROF. DR. ŞERİF ŞENTÜRK

    PROF. DR. MEHMET ÖZTÜRK

  3. Tez No

    741159

    Hard and soft tissue characterization with microwave dielectric spectroscopy

    Mikrodalga dielektrik spektroskopi ile sert ve yumuşak doku karakterizasyonu

    SEDA KESKİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAYFUN AKGÜL

  4. Tez No

    849758

    Gelişmiş makine öğrenimi teknikleri ile çok zamanlı hava ve uydu görüntüleri kullanılarak mısır (Zea mays) türlerinin fenoloji tabanlı sınıflandırılması

    Phenology- based classification of maize (Zea mays) species using multi̇- temporal aerial and satellite imagery with advanced machine learning techniques

    OSMAN YAVUZ ALTUNTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriGebze Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSMAİL ÇÖLKESEN

  5. Tez No

    201872

    Modelling and predicting binding affinity of PCP-like compounds using machine learning methods

    Makine öğrenimi yöntemlerini kullanarak PCP benzeri bileşiklerin modellenmesi ve bağlanma eğilimlerinin tahmini

    ÖZLEM ERDAS

    Yüksek Lisans

    İngilizce

    İngilizce

    2007

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FERDA NUR ALPASLAN

    PROF. DR. ERDEM BÜYÜKBİNGÖL

Geri Dön