Prediction of breast cancer using artificial intelligence
Başlık çevirisi mevcut değil.
- Tez No: 806483
- Danışmanlar: DR. ÖĞR. ÜYESİ HASAN ABDULKADER
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Meme kanseri, çok çeşitli alt türleri kapsayan ve farklı hastalarda çeşitli şekillerde kendini gösteren karmaşık bir hastalıktır. Tüm dünyada kadınlar arasında kanserle ilişkili ölüm oranlarında önemli bir faktördür. Bununla birlikte, çeşitli sınırlamalar olsa bile, maligniteyi tanımlayan histolojik bilgiler kanserin sınıflandırılmasında kullanılır. Meme kanserinin erken evrelerinde tanımlanması çoğu zaman hayatları korumak için kritik öneme sahiptir. Bununla birlikte, meme kanseri hastalığını teşhis etmenin geleneksel yolu, her biri kalifiye bir tıp doktoru tarafından yapılması gereken bir dizi laboratuvar testi gerektirir. Bu nedenle, meme kanserinin insan hatası nedeniyle gözden kaçma olasılığını azaltmak ve yeni vaka bulma sürecini hızlandırmak için, hastalığı güvenilir ve hızlı bir şekilde tanımlayabilen otonom bir sisteme ihtiyaç vardır. Kanser teşhisi için otomatik sistemler oluşturmak için araştırma çabaları gösterilmesine rağmen, ihtiyaç duyulan kesinlik ile mevcut metodolojilerin sunduğu doğruluk arasında önemli bir boşluk vardır. Neoadjuvan tedavi, yalnızca tedavinin neden olduğu tümörlerde translasyonel değişiklikleri keşfetmek için türünün tek örneği bir şans sağlayan bir tür meme kanseri tedavisidir. Bu, tümörün yanıt durumunu belirlemede yardımcı olabilir. Aynı kişiden sırayla veya çeşitli yerlerden sırayla alınan numunelerden meme kanseri risk sınıflandırması amacıyla ek prediktif bilgilerin elde edilmesi mümkündür. Risk değişkenlerini kullanarak bir tahmin modeli oluşturmak, meme kanserini saptamak için etkili bir strateji olabilir. Erken teşhisin doğruluğu, çok çeşitli makine öğrenimi (ML) yöntemlerinin kullanılmasıyla iyileştirildi. Bu tezin amacı doğrultusunda, dört farklı makine öğrenimi algoritması - özellikle destek vektör makinesi (SVM), rastgele orman (RF), K-en yakın komşular (KNN) ve lojistik regresyon (LR) - ortaya kondu. meme kanserini tahmin etme yetenekleri açısından hızları. Makine öğrenimi algoritmaları, meme kanseri vakalarını tahmin etmek için 116 hastadan oluşan Coimbra meme kanseri veri seti kullanılarak eğitildi. Önerilen modelin, meme kanseri hastalığının daha doğru tahminlerini sağlayarak tanısal karar destek sistemlerini iyileştireceği tahmin edilmektedir. Bu araştırmanın amacı, çeşitli makine öğrenimi algoritmalarının sahip olduğu doğruluğu, özgüllüğü ve duyarlılığı araştırmak ve geliştirmektir. Buna ek olarak, aykırı değerlerin veri seti üzerindeki etkisi araştırılmıştır. Bu yöntemlerin her biri için çeşitli hiperparametreler manuel olarak ayarlanarak performans iyileştirildi. Karşılaştırmalı analizden, tüm özelliklerin tahmin için önemli olmadığı gözlemlendi, bu nedenle bazı özellikler hariç tutuldu, ardından orijinal özelliklere bağlı olarak başka özellikler eklemeyi önerdik. Sonuçlar, RBF çekirdeğine sahip KNN, RF, SVM'nin doğrulukta Lojistik Regresyondan (LR) daha iyi performans gösterdiğini ve diğer ölçümlerde %95,8 doğruluk elde ederken (LR) %75 doğruluk elde ettiğini göstermektedir.
Özet (Çeviri)
Breast cancer is a complicated illness that spans a vast variety of subtypes and manifests itself in a variety of ways in different patients. It is a major factor in the death toll associated with cancer among women all over the world. Nonetheless, histological information describing malignancy is used for the categorization of cancer even if there are several limitations. The identification of breast cancer in its earlier stages is oftentimes critical for preserving lives. Nevertheless, the traditional way of diagnosing breast cancer illness requires a number of laboratory tests, each of which must be performed by a qualified medical practitioner. Hence, in order to lessen the likelihood of breast cancer being missed due to human error and to speed up the process of finding new cases, an autonomous system that is able to reliably and rapidly identify the illness is required. In spite of the fact that research efforts have been made to build automated systems for cancer diagnosis, there is a significant gap between the precision that is needed and the accuracy that is offered by present methodologies. Neoadjuvant therapy is a kind of treatment for breast cancer that provides a one-of-a-kind chance to explore translational changes in tumors that are caused by the treatment alone. This could be helpful in determining the response status of the tumor. It is possible that additional predictive information may be obtained for the purpose of breast cancer risk stratification from samples taken either sequentially from the same person or sequentially from various locations. Creating a prediction model using risk variables may be an effective strategy for detecting breast cancer. The accuracy of early diagnosis has been improved by the use of a wide range of machine learning (ML) methods. For the purpose of this thesis, four distinct machine learning algorithms—specifically, the support vector machine (SVM), the random forest (RF), the K-nearest neighbors (KNN), and the logistic regression (LR)—were put through their paces in terms of their ability to predict breast cancer. Machine learning algorithms were trained using the Coimbra breast cancer dataset, which comprises of 116 patients, to predict cases of breast cancer. It is anticipated that the suggested model would improve diagnostic decision-support systems by providing more accurate predictions of breast cancer illness. The aim of this research is to investigate and enhance the accuracy, specificity, and sensitivity possessed by the various machine learning algorithms. In addition to that, the influence that outliers had on the dataset was investigated. The performance improved by manually setting a variety of hyperparameters for each of those methods. From the comparative analysis, it is observed that not all features are significant for prediction, therefore some features are excluded, then we proposed to add other features depending on the original features. The results show that KNN, RF, SVM with RBF kernel outperform Logistic Regression (LR) with accuracy and the other measurements, where they get 95.8% accuracy while the (LR) 75% accuracy.
Benzer Tezler
- A roadmap for breast cancer microwave hyperthermia treatment planning and experimental systems
Meme kanseri mikrodalga hipertermisinde tedavi planlama ve deneysel sistemler için bir yol haritası
MELTEM DUYGU ŞAFAK
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞAH YILDIZ ALTINTAŞ
- Yüksek boyutlu model gösterilimi yöntemi ile dijital mamogramlarda meme kanseri tanısı
Breast cancer diagnosis in digital mammograms using high dimensional model representation
KÜBRA KARACAN
Yüksek Lisans
Türkçe
2019
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU TUNGA
- Development web based system to recommend artificial intelligence methods and evaluation models for cancer diagnosis and prognosis
Önerilen web tabanlı sistemin geliştirilmesi yapay zeka yöntemleri ve değerlendirmes kanser tanı ve progno için modeller
ADEJUMO DOLAPO
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ILHAM HUSEYINOV
- Sepsis'in yapay zeka temelli erken tanısı üzerine karar destek sistemi
Decision support system on artificial intelligence based early diagnosis of sepsis
PINAR KAYA AKSOY
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİZMİR BAKIRÇAY ÜNİVERSİTESİDisiplinlerarası Akıllı Sistemler Ana Bilim Dalı
DOÇ. DR. ORHAN ER
DOÇ. DR. DENİZ KILINÇ
- Meme kanseri ve akciğer kanserinin derin öğrenme modelleri ile analizi ve yorumlanması
Analysis and interpretation of breast cancer and lung cancer with deep learning models
SURA ALFADHLI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞÜKRÜ KİTİŞ