Machine learning methods for survival data
Sağkalım verileri için makine öğrenmesi yöntemleri
- Tez No: 690203
- Danışmanlar: DOÇ. DR. İDİL YAVUZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Sağkalım analizi birçok alanda kullanılan istatistiksel bir yaklaşım yöntemidir. Bu yöntemi diğer analiz yöntemlerinden ayıran en önemli özellik sansürlü gözlemlerin mevcut olduğu durumlarda kullanılabilmesidir. Literatürde sağkalım analizi geleneksel sağkalım analizi methodları ve makine öğrenmesi tabanlı sağkalım analizi methodları olarak ikiye ayrılmıştır. Artan veri ve değişken sayısı, sansürlü gözlemlerin varlığı ve geleneksel yöntemlerin bazı varsayımlar gerektirmesi durumları sağkalım verilerinin geleneksel yöntemler ile analiz edilmesini zorlaştırmaktadır. Bu durumla baş edebilmek için sağkalım verilerine özgü makine öğrenmesi yöntemleri kullanılmaktadır. Bu tezde Kaplan Meier, Log rank testi ve Cox regresyon gibi geleneksel sağkalım analizi yöntemleri tanıtılmakta ve makine öğrenme tabanlı sağkalım ağaçları ve rassal sağkalım ormanları çalışılmıştır. Uygulamada rassal sağkalım ormanları ve Cox regresyon modellerinin uyum istatistikleri, farklı sansür oranlarının test edildiği simülasyon sonucu elde edilen veriler ve gerçek veriler kullanılarak elde edilmiştir. Gerektiğinde sağkalım eğrileri ve değişken önem metrikleri için uygun grafiksel gösterimler verilmiştir. Bu tezde verilen örneklerde gösterildiği gibi, geleneksel yaklaşımlar, varsayımlar karşılandığında ve istatistiksel güç yüksek olduğunda avantajlıdır, ancak sansürleme yüksek olduğunda ve varsayımlar karşılanmadığında makine öğrenimi tabanlı yöntemler daha iyi çalışır.
Özet (Çeviri)
Survival analysis is a the statistical approach methods used in many fields. The key feature that distinguishes this method from other analysis methods is that it can be used when censored observations are present. In the literature, survival analysis can be categorized as traditional survival analysis methods and machine learning based survival analysis methods. The increasing number of data and variables, the existence of censored observations and the fact that traditional methods require some assumptions make it difficult to analyze survival data with traditional methods. In order to cope with this situation, machine learning methods specific to survival data are used. In this thesis, the traditional survival analysis methods such as the Kaplan Meier, Log rank test and the Cox regression are introduced and machine learning based Survival trees, and Random Survival Forests are studied. In application concordance statistics of Random Survival Forests and Cox regression models were obtained by using both real and simulated data in which different censoring rates were tested. Propher graphical representations were given for the survival curves and variable importance metrics when necessary. As demonstrated by the examples provided in this thesis the traditional approaches are adventageous when assumptions are met and statistical power is high however machine learning based methods work better when censoring is high an assumptions are not satisfied.
Benzer Tezler
- Sağkalım analizi için derin öğrenme yaklaşımı
A deep learning approach for survival analysis
İREM KAR
Doktora
Türkçe
2021
BiyoistatistikAnkara ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ATİLLA HALİL ELHAN
DOÇ. DR. ERDAL COŞGUN
- Lutesyum-177 prostat spesifik membran antijeni ile tedavi edilen metastatik kastrasyona dirençli prostat kanserli hastalarda tedavi öncesi yapılan galyum-68 prostat spesifik membran antijeni pozitron emisyon tomografisi/bilgisayarlı tomografisinin radyomiks analizinin tedavi yanıtını ve prognozu öngörme gücü
Predictive power of radiomics analysis of pretreatment ga-68 PSMA pet/ct in patients with metastatic castration-resistant prostate cancer treated with lu-177 PSMA for treatment response and prognosis
EMRE TEMİZER
Tıpta Uzmanlık
Türkçe
2024
OnkolojiErciyes ÜniversitesiNükleer Tıp Ana Bilim Dalı
DOÇ. DR. ÜMMÜHAN ABDÜLREZZAK
- Novel statistical approaches in survival analysis of RNA-sequencing data
RNA-dizileme verilerinin sağkalım analizlerinde yeni istatistikselyaklaşımlar
AHU CEPHE
Doktora
İngilizce
2024
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ERDEM KARABULUT
DOÇ. DR. GÖKMEN ZARARSIZ
- Yaşam analizinde uyarlanmış en çok olabilirlik tahmininin kullanılması ve klasik istatistiksel yöntemler ve makine öğrenmesi algoritmaları ile karşılaştırılması
The use of modified maximum likelihood estimation in survival analysis and its comparisons with traditional statistical methods and machine learning algorithms
SİBEL BALCİ
Doktora
Türkçe
2024
BiyoistatistikEskişehir Osmangazi ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. KEVSER SETENAY ÖNER
- Sağkalım veri modellenmesi: Makine öğrenmesi yaklaşımları
Survival data modeling: machine learning approaches
TUĞBA DEMİRCİOĞLU