UTADIS based multi-objective evolutionary algorithms for medical diagnosis problems
Tıbbi teşhis problemleri için UTADIS temelli çok amaçlı evrimsel algoritmalar
- Tez No: 612148
- Danışmanlar: PROF. DR. SERHAN DURAN, DOÇ. DR. ERTAN YAKICI
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 298
Özet
Bu çalışmada, tıbbi tanı problemleri alanında kullanılmak üzere, çok kriterli karar verme, evrimsel algoritmalar ve makine öğrenmesi yöntemlerini birleştiren hibrit yöntemler geliştiriyoruz. Önerilen modeller, incelenen her iki sınıfta da yüksek sınıflandırma performansları elde etmeyi amaçlayarak, hastaları durumlarına göre iki kategoride sınıflandırıyor. İlk olarak, PCM olarak adlandırdığımız, UTADIS temelli bir karma tamsayılı programlama modeli geliştiriyoruz. PCM'i spesifik bir parametrenin çeşitli değerleri için birçok kez çözerek, doğru pozitif ve doğru negatif yanıtların alanında Pareto-optimal cepheye yayılmış bir dizi çözüm elde ediyoruz. Bu çözümlerin güçlü yönlerini birleştirmek için PCM ve evrimsel algoritmaları beraber kullanıyoruz. Bu amaçla, PCM'den elde edilen sınıflandırma parametrelerinin değerlerini, NSGA-II ve RECGA adlı evrimsel algoritmalar kullanarak ayarlıyoruz. NSGA-II, doğru pozitif ve doğru negatif sınıflandırma performansları açısından bir çözümün Pareto-optimalitesini yansıtan, baskılanamayan çözümleri öncelemektedir. RECGA ise, genel tarama gibi hastalığın görülme oranının göreceli olarak düşük olabileceği durumlarda özellikle iyi performans göstermesini hedeflediğimiz bir başka evrimsel algoritmadır. PCM ile evrimsel algoritmaların entegrasyonu sonucu elde ettiğimiz modelleri, sırasıyla, PCM+NSGA-II ve PCM+RECGA olarak adlandırıyoruz. Önerdiğimiz modellerin deneysel analizini üç farklı veri seti üzerinde yapıyoruz. Bu veri setlerinden ilki koroner stent implantasyonu yapılmış hastalar ile ilgili iken diğer iki veri seti ise meme kanseri ile ilgilidir. Buna ek olarak, bu veri setlerine bazı makine öğrenmesi yöntemlerini uyguluyoruz ve performanslarını önerilen modellerin performansları ile kıyaslıyoruz. Ayrıca, koroner stent veri seti için model performanslarını kardiyologların performansı ile karşılaştırıyoruz. Elde ettiğimiz sonuçları incelediğimizde, PCM+NSGA-II ve PCM+RECGA'nın tıbbi karar destek aracı olarak kullanılabilecek, güvenilir ve etkin sınıflandırma yöntemleri olduğunu gözlemliyoruz.
Özet (Çeviri)
We develop hybrid methods that integrate multi-criteria decision making, evolutionary algorithms and machine learning to be used in medical diagnosis problems. The proposed models classify patients into two categories according to their disease status with the aim of obtaining high classification performances both classes under consideration. First, we develop a Mixed-Integer Linear Programming approach, Parametrized Classification Model (PCM), which is based on UTADIS. By solving PCM multiple times with various values of a specific parameter, we obtain a set of solutions spread over the Pareto-optimal front in the space of true positive and true negative responses. Then, to combine strong aspects of these solutions, we integrate PCM with evolutionary algorithms, NSGA-II and RECGA, to tune the classification parameters acquired by PCM. NSGA-II favors non-dominated solutions in terms of sensitivity and specificity and RECGA aims to perform well particularly in situations where the incidence of the disease may be relatively low, such as general screening. We call the developed integrated models as PCM+NSGA-II and PCM+RECGA, respectively. In order to observe the model performances, we try them with three different datasets which are about coronary stent patients and breast cancer. Furthermore, we apply several well-known machine learning algorithms to these datasets and compare the results with the results of PCM+NSGA-II and PCM+RECGA. Additionally, for the coronary stent dataset, the model performances are compared with those of cardiologists. The results indicate that PCM+NSGA-II and PCM+RECGA are promising classification algorithms that can be used in medical decision support tools by medical experts.
Benzer Tezler
- Multiple criteria sorting methods based on support vector machines
Destek vektör makineları temelli çok kriterli sınıflandırma yöntemleri
ASLI DUMAN
Yüksek Lisans
İngilizce
2010
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiEndüstri Mühendisliği Bölümü
DOÇ. DR. ESRA KARASAKAL
- Ülkelerin girişimcilik seviyelerine göre sınıflandırılması: UTADIS uygulaması
Classification of countries according to their entrepreneurship level: UTADIS application
FULYA YATMAZ
Yüksek Lisans
Türkçe
2019
İşletmeHacettepe Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. KAZIM BARIŞ ATICI
- A DEA based sorting approach for industrial R&D projects
Endüstriyel AR-GE projeleri için veri zarflama analizini temel alan sınıflandırma metodu
PINAR AKER
Yüksek Lisans
İngilizce
2010
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiEndüstri Mühendisliği Bölümü
DOÇ. DR. ESRA KARASAKAL
- Ülkelerin insani gelişmişlik sınıflamalarının UTADIS ve sıralı lojistik regresyon modelleri aracılığıyla yeniden hesaplanması ve değerlendirilmesi
Recalculation and evaluation of human development classifciation of countries via UTADIS and ordinal logistic regression models
KÜBRA AKYOL ÖZCAN
- A multiple criteria sorting approach based on distance functions
Uzaklık kriterlerine bağlı çok kriterli sıralama yöntemi
BİLGE ÇELİK
Yüksek Lisans
İngilizce
2011
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiEndüstri Mühendisliği Bölümü
DOÇ. DR. ESRA KARASAKAL
YRD. DOÇ. DR. CEM İYİGÜN