Derin öğrenme yaklaşımı ile multipl skleroz hastaları için prognoz tahmin modeli
Prognosis prediction model for multiple sclerosis patients by DEEP learning aproach
- Tez No: 785147
- Danışmanlar: DR. ÖĞR. ÜYESİ BURÇİN KURT
- Tez Türü: Doktora
- Konular: Biyoistatistik, Nöroloji, Biostatistics, Neurology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
Multipl Skleroz (MS), merkezi sinir sistemi hücrelerinin dışını saran miyelin kılıfların hasarı ile karakterize olan, zaman zaman ataklar ve remisyonlarla seyredebilen, kronik, otoimmün, inflamatuvar bir hastalıktır. Küresel ölçekte değerlendirildiğinde, MS tanısı alan kişi sayısı artmaktadır. MS'in tam olarak nedeni bilinmemekle birlikte hem genetik hem de çevresel etkenlerin bir bireyin hastalık riskini tam olarak anlaşılmayan karmaşık bir etkileşim içinde belirlediği kabul edilmektedir. MS'e bağlı gelişen özürlülük durumu ile mücadele hastalığın en önemli odak noktasıdır. Semptomatik tedaviler ve modern rehabilitasyon uygulamaları sayesinde MS tanısı alan hastaların yaşam süresi gittikçe artmaktadır. MS tanısı alan kişilerin tedavi süreçlerinde temel hedeflerden bir tanesi geri dönüşümü olmayan nörolojik hasarların tedavi sürecinde engellenebilmesi veya minimize edilmesidir. Bu anlamda MS hastalarının erken dönemde hastalığın prognozunun belirlenebilmesi önem taşımaktadır. Bu amaçla yapılan tez çalışmasında MS tanısı alan hastalara ait bir nöroloji uzmanı tarafından belirlenen demografik, klinik, MRG ve tedavi bilgileri kullanılarak MS hastalarının ilk tanı aldıktan sonraki takipli 2 yıllık verileri kullanılarak 5. yıl EDSS skoru için bir prognoz tahmin modeli geliştirilmiştir. Tahmin modelinin geliştirilmesinde derin öğrenme yöntemi kullanılmıştır. Çalışmanın sonucunda geliştirilen EDSS prognoz tahmin modelinin sonuçları ile gerçek klinik sonuçlar arasında hesaplanan kök ortalama karesi hatası 1.4 olarak elde edilmiştir.
Özet (Çeviri)
Multiple sclerosis (MS) is a chronic, autoimmune, inflammatory disease which characterized by the damage of the myelin sheaths surrounding the cells of the central nervous system, can progress from time to time with attacks and remissions. When considered global scale, the number of people who diagnosed with MS is increasing. Although the exact cause of MS is unknown, it is accepted that both genetic and environmental factors determine an individual's risk of the disease in a complex interaction that is not fully understood. It has been the main focus of the disease the fight against disability due to MS. The life expectancy of MS patients is increasing thanks to symptomatic treatments and modern rehabilitation practices. One of the main goals in the treatment processes of people diagnosed with MS is to prevent or minimize irreversible neurological damage during the treatment process. In this meaning, it is important to determine the prognosis of MS patients in the early. In the thesis study conducted for this purpose, using the data which demographic, clinical, MRGI and treatment information of the MS patients who 2 years of follow-up after the first diagnosis, a prognosis prediction model was developed for the 5th year EDSS score. Deep learning method was used in the development of the prediction model. Result of the study, calculated root mean square error between the results of the developed EDSS prognosis prediction model and the actual clinical results was obtained as 1.4.
Benzer Tezler
- Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti
Automatic detection of white matter hyperintensities using deep learning techniques on brain magnetic resonance images
GÖKHAN UÇAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Hybrid reciprocal recommendation with advanced feature representations
Gelişmiş özellik gösterimleri ile hibrit çift taraflı öneri sistemleri
EZGİ YILDIRIM
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Derin öğrenme algoritmalarında kullanılan optimizasyon yöntemlerinin kesirli analiz yaklaşımı ile ele alınması
Investigation of optimization methods in deep learning algorithms with fractional calculus approach
EMRE CABI
Yüksek Lisans
Türkçe
2023
Fizik ve Fizik MühendisliğiEge ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ŞİRİN
- Food images classification with deep transfer learning and data augmentation approach
Derin transfer öğrenme ve veri büyütme yaklaşimi ile gida görüntüleri siniflandirma
DOAA ABDULMOHSIN JUMAAH AL-RUBAYE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. SERKAN AYVAZ