Detection of chronic diseases using DEEP versus machine learning techniques
Makine öğrenimi tekniklerine karşi derin öğrenme kullanarak kronik hastaliklarin tespiti
- Tez No: 802230
- Danışmanlar: DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endodonti Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 80
Özet
Dünya çapında en yaygın hastalık kronik hastalıklarıdır. Ayrıca, kronik hastalıklar, günümüzde sağlık harcamalarının çoğunu oluşturan sürekli tedavi ve gözetim gerektiren bir hastalıktır. Hastane yatışları, uzun süreli rahatsızlanmalar, yaşam kalitesinin düşmesi ve hatta ölümler kronik hastalıkların olası sonuçlarıdır. Kanser, diyabet, yüksek tansiyon, kalp hastalığı, akciğer hastalığı ve böbrek hastalıkları bu bozuklukların yaygın örneklerindendir. Kronik koşullar küresel ölçekte ölüme ve sakatlığa yol açmaktadır. Bu çalışma müzmin hastalıkların doğru bir şekilde teşhis edilmesi için derin öğrenme (DÖ) ve makine öğrenme (MÖ) tabanlı modeller sunmaktadır. Önerilen sistem, veri ön işleme ve hastalık tespiti dahil olmak üzere birçok aşamadan oluşmaktadır. Bunlardan ilki, derin Evrişimli Sinir Ağına (ESA) dayanırken, ikincisi, hastalık tespiti için Stokastik Gradyan İniş (SGİ), K-En Yakın Komşu (KEYK), Naive Bayes (NB), Lojistik Regresyon (LR) ve Karar Ağacı (KA) olmak üzere beş makine öğrenim algoritması tarafından desteklenmektedir. Önerilen model, Pima Kızılderelileri Diyabet Veri Kümesi, Kardiyovasküler Hastalık Veri Kümesi ve UCI Kalp Hastalığı Veri Kümesi olmak üzere bu üç farklı kaynaktan alınan verileri kullanarak kalp, kan damarı ve böbrek bozukluklarını sınıflandırmada önemli tanısal doğruluğa sahiptir. Deneysel sonuçlara dayanarak, önerilen kronikCNN modeli, en yüksek doğruluk oranıyla diğer modellerden daha üstün bir performans sergiledi. Veri artırma olmadan, 1, 2 ve 3 veri setleri sırasıyla %94, %79.3 ve %88.01 doğruluk oranı sağlandı ve %99.77, %99.78 ve %99.74 kesinlik sonuçları elde edildi. Ancak, önerilen kronikCNN modeli uygulandığında, doğruluk oranı önemli ölçüde yükselerek sırasıyla %99.81, %99.92 ve %99.77 olarak gerçekleşirken hassasiyet değerleri de %99.08, %99.94 ve %99.87 olmuştur. Karşılaştırmalı olarak, SGD ve LR algoritmalarını kullanan ikinci model sadece %94 doğruluk oranı vermiştir.
Özet (Çeviri)
Chronic diseases are among the most prevalent diseases around the world. Moreover, chronic diseases require ongoing treatment and management, which makes it account for the bulk of healthcare spending worldwide. Hospitalization, long-term impairment, decreased quality of life, and even death are all possible outcomes of chronic diseases. Cancer, diabetes, high blood pressure, heart disease, lung disease, and kidney ailment are just some diseases on that list. Chronic illnesses are, in point of fact, the leading cause of death and disability on a global scale. This paper presents deep learning (DL) and machine learning (ML) based models for diagnosing chronic diseases. The system consists of multiple phases, including data pre-processing and disease detection. The former relies on a deep Convolution Neural Network (CNN). At the same time, the latter is supported by five machine learning algorithms: Stochastic Gradient Descent (SGD), Naive Bayes (NB), K-Nearest Neighbor (KNN), Logistic Regression (LR), and Decision Tree (DT). The suggested model can accurately classify disorders of the heart, the blood vessels, and the kidneys using data from three different sources (the Pima Indians Diabetes Dataset, the Cardiovascular Disease Dataset, and the UCI Heart Disease Data). As demonstrated by the experiments, without employing data augmentation, the accuracy results for datasets 1, 2, and 3 were 94%, 79.3%, and 88.01%, respectively, while the precision results were 99.77%, 99.78%, and 99.74%. Therefore, the proposed ChronicCNN model produced the best results. For datasets 1, 2, and 3, the accuracy values were (99.81%, 99.92%, and 99.77%) while the precision results were (99.08%, 99.94%, and 99.87%). In comparison, the accuracy was 94% using the SGD and LR algorithms in the second model.
Benzer Tezler
- Antifosfolipid sendromunda trombosit membran glikoprotein polimorfizmlerinin sıklığı ve klinik etkileri
Clinical outcomes and frequencies of platelet membrane glycoprotein polymorphisms in antiphosphospholipid syndrome
İPEK YÖNAL
Tıpta Uzmanlık
Türkçe
2010
Hematolojiİstanbul Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. MELİHA NALÇACI
- Early detection and estimation of diseases by using machine learning methods
Makine öğrenme yöntemleriyle hastalıkların erken tespiti ve tahmini
AHMED HASHIM ABDULHUSSEIN ALESHAIQER
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Santral seröz koryoretinopatili hastaların optik koherens tomografi anjiografi ile kapiller yoğunluklarının kantitatif olarak değerlendirilmesi
Quantitative evaluation of capillary density of patients with central serous chorioretinopathy by optical coherence tomography angiography
HAMİDE GİZEM ÖZCAN
Tıpta Uzmanlık
Türkçe
2021
Göz HastalıklarıSelçuk ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. ŞABAN GÖNÜL
- Perinatal dönemdeki psikiyatrik hastalık belirtilerinin yapay zeka tabanlı büyük veri işleme platformu ile belirlenmesi
Detection of psychiatric disease symptoms in the perinatal period with an ai-based big data processing platform
NUR BANU OĞUR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CELAL ÇEKEN