Thyroid disease prediction by using deep learning and machine learning paradigms: A comparative approach
Derin öğrenme ve makine öğrenme paradigmalarınıkullanarak tiroid hastalığı tahmini: karşılaştırmalı biryaklaşım
- Tez No: 667305
- Danışmanlar: DR. ÖĞR. ÜYESİ FERHAT ATASOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Deep learning
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son zamanlarda veri bilimi ve yapay zeka alanındaki ilerlemeler baş döndürücü seviyelere ulaşmıştır. Bu ilerlemerle birlikte mühendislik, endüstri, ticaret ve tıp gibi birçok alana uygulanan yeni yöntemlerle başarılı sonuçlar elde edilmiştir. Bu tezde de bu gelişmelerin tıp alanına uygulanması ve başarının eski yöntemlerle kıyaslanması gerçekleştirilmiştir.Tiroid bozukluğu, büyük insan topluluklarının karşılaştığı yaygın bir sorundur.Tezde kullanılan veri seti 2800 bireye ait tıbbi test verilerini içermektedir.Veri seti, karmaşık yapılandırılmış verileri öğrenebilen olağanüstü Derin Öğrenme algoritmalarından biri olan Uzun Kısa Süreli Bellek Sinir Ağı (LSTM), rastgele orman, Naïve Bayes ve k-en yakın komşu algoritmaları ile sınıflandırılmıştır, Tiroid hastalığı tahmin performansı, Doğruluk, ortalama karesel hata, ortalama mutlak hata, ortalama karekök sapması ve zaman gibi çeşitli ölçütler kullanılarak karşılaştırıldı. Sonuç olarak LSTM, 97,25% 'lik optimum tahmin doğruluğu ile karşılatırılan diğer algoritmalar arasından daha üstün bir performans sergilemiştir.
Özet (Çeviri)
Data science is currently associated with a large number of fields in engineering and science fields. Thyroid disorder is a common problem faced by large populations of humans. Hospitals are reporting various sorts of thyroid disorders. In this thesis, the thyroid disorder prediction paradigm was implemented using two approaches, the first one is Deep Learning and the second approach is Machine Learning. Big data involves diagnosing records of 2800 subjects along with the medical tests that were used for training the algorithms. Long Short-Term Memory Neural Network (LSTM) is one of the outstanding Deep Learning algorithms that capable to learn complex structured data. Performance of prediction the thyroid disease was measured using several metrics such as Accuracy, MSE, MAE, RMSE, and time. The performance of LSTM was compared with other Machine Learning algorithms such as Random Forest, Naïve Bayes, and K-Nearest Neighbor using the same performance matrices. LSTM outperforms over the other algorithms Random Forest Naïve Bayes, and K-Nearest Neighbor with optimum prediction accuracy of 97.25 %.
Benzer Tezler
- Thyroid disorders prediction using long short term memory (LSTM) technique with non dominated sorting genetic algorithm (NSGA-II) as risk factor feature determination
Başlık çevirisi yok
SAHAR JASIM MOHAMMED
Yüksek Lisans
İngilizce
2019
Altınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Detection of thyroid disease using machine learning models
Makine öğrenimi modelleri kullanılarak tiroid hastalığının tespiti
MUNTADHER ADNAN WAHEED ALSAADAWI
- Total tiroidektomi yapılmış hastalarda postoperatif ilk 2 saatte bakılan paratiroid hormon değerlerinin hipokalsemiyi öngörmesi
Prediction of hypocalcemia with postoperative second hour parathormone measurement after total thyroidectomy
SELEN SOYLU
- İyot eksikliği bölgesinde radyografik işlemler sırasında iyotlu kontrast uygulanması sonrası gelişen hipertiroidizm sıklığı ve etkileyen faktörler
Incidence and determinants of thyroid dysfunction following iodinated contrast exposure in radiographic procedures in an iodine-deficient region
ECE KARACA KÖLE
- Multinodüler guatrın endemik olduğu ülkemizde TI-RADS klasifikasyonlarının güvenirliliği
The reliability of TI-RADS classifications in our country where multinodular goiter is endemic
NEBİ ACAR
