Açık kaynaklı klinik kanser verilerinin R-Shiny uygulaması ile yapay zeka tabanlı web arayüzü destek sisteminin geliştirilmesi
Development of artificial intelligence based web interface support system with R-Shiny application from open source clinical cancer data
- Tez No: 684143
- Danışmanlar: DOÇ. DR. GİZEM ÇALIBAŞI KOÇAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Onkoloji, Biyoistatistik, Computer Engineering and Computer Science and Control, Oncology, Biostatistics
- Anahtar Kelimeler: Açık kaynaklar, Bilgisayar destekli sistemler, Karar destek sistemleri, Makine öğrenmesi, Neoplazmlar, Sağkalım analizi, Sınıflandırma, Web tabanlı uygulamalar, Yapay zeka, Open sources, Computer aided systems, Decision support systems, Machine learning, Neoplasms, Survival analysis, Classification, Web based applications, Artificial intelligence
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Onkoloji Ana Bilim Dalı
- Bilim Dalı: Translasyonel Onkoloji Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kanser hastalarında hastalığın prognozu, sınıflandırılması, tedavi stratejilerinin optimizasyonu ve klinik çalışmaların tasarımı için önemlidir. Bu çalışma, kolon kanseri tanısı alan hastalarda hastaya ait sağkalımın sınıflandırmaya dayalı makine öğrenmesi teknikleri kullanılarak tahminlenebilmesi amacıyla yapıldı. Çalışmaya NCI'nın açık erişimli GDC portalındaki“TCGA-COAD”projesinden alınan 454 hastaya ait klinik ve genomik verileri dahil edildi. Klinik verilere uygulanan Kaplan-Meier sağkalım analizi sonucunda anlamlı çıkan parametrelerle gen ekspresyon verilerinin analizi sonucunda sağkalımla anlamlı ilişki içerisinde olduğu görülen dokuz farklı gen risk grubu olarak kullanıldı. Analizler R dilinde yazılan kodlarla gerçekleştirildi. R dilinde yazılan kodları geliştirme aracı olarak RStudio kullanıldı. Risk grupları sınıf etiketi olarak kullanılarak tahminler gerçekleştirildi. Seçilen klinik ve genomik parametreler; Naive Bayes, Destek Vektör Makinesi, Rastgele Orman ve C4.5 Karar Ağacı makine öğrenmesi algoritmalarıyla değerlendirildi. 10 kat çapraz doğrulama yöntemiyle test verisetleri oluşturularak model değerlendirmesi yapıldı. Tahminleme modeli Shiny aracılığıyla web arayüzü kullanılarak kamuya açık yapay zeka tabanlı klinik karar desteği sistemine dönüştürüldü. Çalışmanın sonuçlarına göre; en doğru sağkalım tahmininde bulunan makine öğrenmesi algoritma modelinin Rastgele Orman algoritması olduğu, klinik ve genomik verilerin birlikte kullanılmasının algoritma performansını arttırdığı (%76,2) görüldü. Onkoloji alanında prognoz ve sağkalım sonucuna odaklanan yapay zeka temelli klinik karar destek sistemi modelleri; hasta yaşam kalitesini ciddi anlamda etkileyebilecek kemoterapi tedavilerine başvurulmadan önce tedavinin uygulanmaya değer olup olmadığı konusunda hekim, hasta ve hasta yakınları için bir öngörü olması bakımından önemlidir. Prognoz ve sağkalım analizi yapabilen buna benzer sistemlerin geliştirilip iyileştirilmesi hastalığın yönetimini daha kolay hale getirecek ve hasta için daha doğru kararlar alınmasında yardımcı olacaktır.
Özet (Çeviri)
Accurate prognosis of cancer patients is important for optimizing treatment strategies, and designing clinical trials. This study was conducted to estimate the survival of the patients diagnosed with colon cancer using machine learning techniques based on classification. The study included clinical and genomic data of 454 colon cancer patients from the NCI“TCGA-COAD”project on the open access GDC portal. Clinical and genomic parameters that were found to be significantly associated with survival were used as risk groups. Analyzes were carried out with codes written in R language. Estimates were made using risk groups as class labels. Selected clinical and genomic parameters; was evaluated with four different algorithms. Model evaluation was performed by creating test data. The prediction model was transformed into AI-based CDSS (Clinical Decision Support System) using the web interface via Shiny. According to the results of the study; It was seen that the machine learning algorithm that predicted the most accurate survival was the Random Forest. In addition, it was seen that the use of all clinical and genomic data together increased the algorithm performance (76.2%). AI-based CDSS models that are focus on survival outcome in the field of oncology are important in terms of providing foresight for physicians and patients about whether it is worth applying the chemotherapy treatment which might seriously affect the patients. Developing and improving such systems will make the management of the disease easier and help make more accurate decisions for the patient.
Benzer Tezler
- Bağırsak hasar modellerinde kemik iliği mezenkimal kök hücre ve bağırsak mezenkimal kök hücrelerin rejeneratif ve immün modülatuvar etkilerinin karşılaştırılması
Comparison of regenerative and immune modulatory effecets of bone marrow and intestinal mesenchymal stem cells i intestinal damage models
BURCU PERVİN
Doktora
İngilizce
2025
BiyolojiHacettepe ÜniversitesiKök Hücre Ana Bilim Dalı
DOÇ. DR. FATİMA AERTS KAYA
- Development of a modular and open-sourcetomographic imaging software : enhancingthe reconstruction module for low-dose CT and dbt
Modüler ve açık kaynak kodlu tomografik görüntülemeyazılımı: düşük doz BT ve SMT taramaları içinrekonstrüksiyon alt modülünün geliştirilmesi
SEMA ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Superpixel assisted deep neural network for breast tumor segmentation in ultrasound images
Süperpiksel destekli derin sinir ağı ile meme ultrason görüntülerinde tümör segmentasyonu
NEFİSE UYSAL
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
ÖĞR. GÖR. MURAT GEZER
- Comparative next generation sequencing data analysis
Karşılaştırmalı yeni nesil dizileme verisi analizi
MEHMET ARİF ERGÜN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET BAYSAN
- Developing a process mining-based model for detecting patient safety errors in healthcare
Sağlık sektöründe, hasta güvenliğine yönelik hataların tespit edilmesinde süreç madenciliğine dayalı bir model geliştirilmesi
AHMET MURAT SÜMER
Doktora
İngilizce
2025
Hastanelerİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMİL CEYLAN