Sağlık sektöründe yapay zekâ temelli bir klinik karar destek sisteminin geliştirilmesi
Development of an artificial intelligence-based clinical decision support system in the healthcare system
- Tez No: 835527
- Danışmanlar: PROF. DR. ELİF KILIÇ DELİCE
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Hastaneler, Mühendislik Bilimleri, Industrial and Industrial Engineering, Hospitals, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 108
Özet
Amaç: Bu tez çalışmasında, hekimlerin salgın hastalıkları hızlı ve doğru bir şekilde tespit edebilmeleri için yapay zeka tabanlı yeni bir Klinik Karar Destek Sistemi (KKDS) ve bu sisteme yönelik kullanıcı dostu arayüz geliştirilmesi amaçlanmıştır. Geliştirilen“panCdss-pandemic-Clinical decision support system”adlı KKDS dünya çapında milyonlarca insanın hayatını ve sağlık durumunu olumsuz yönde etkileyen covid-19 ile maymun çiçeği salgın hastalıklarının tespitinde kullanılmıştır. Yöntem: Çalışmada, akciğer Bilgisayarlı Tomografi (BT) taramaları ve göğüs X-ray görüntülerinden covid-19 tespitinde ve cilt lezyon görüntülerinden ise maymun çiçeği tespitinde, yapay zeka tekniklerinden yedi farklı transfer öğrenme modeli (VGG16, VGG19, ResNet50, ResNet101, Xception, InceptionV3, MobileNetV2) kullanılmıştır. BT taramaları için modellerin sınıflandırma performansının daha da iyileştirilmesi amacıyla, özniteliklerin Evrişimli Sinir Ağı (ESA) modeliyle çıkarıldığı ve sınıflandırmanın makine öğrenmesi yöntemleriyle (Destek Vektör Makinesi – DVM, Lojistik Regresyon – LR, Rastgele Orman – RO) yapıldığı yeni hibrit modeller önerilmiştir. Bu modellerden elde edilen sonuçlar doğruluk, hassasiyet, duyarlılık ve F1 skoru performans metriklerine göre değerlendirilmiştir. Modellerden sınıflandırma performansı en yüksek olanlar panCdss sisteminde kullanılmıştır. Bulgular: Çalışma sonucunda, her bir veri seti için elde edilen en yüksek sınıflandırma değeri belirlenmiştir. Buna göre; ESA+RO hibrit modeli kullanılarak covid-19 BT veri seti için %91,71 doğruluk, %92,07 hassasiyet, %90,29 duyarlılık ve %91,71 F1 skoru; VGG16 modeli kullanılarak covid-19 X-ray veri seti için %99,56 doğruluk, %100 hassasiyet, %99,12 duyarlılık ve %99,55 F1 skoru; MobileNetV2 kullanılarak maymun çiçeği veri seti için %90,38 doğruluk, %93,32 hassasiyet, %88,11 duyarlılık ve %90,64 F1 skoru elde edilmiştir. Sonuç: PanCdss'nin salgın hastalıkların hızlı ve doğru sınıflandırılmasında başarıyla kullanılabileceği ve hekimlerin iş yükünün azaltılmasına yardımcı olabileceği düşünülmektedir. Önerilen panCdss'nin esnek ve dinamik yapısı, sadece salgın hastalıkların tespiti için değil, diğer hastalıkların teşhisinde kullanılabilecek şekilde geliştirilebilmeye imkan vermektedir. Bu tez çalışmasında önerilen KKDS, literatürde salgın hastalık tespiti için geliştirilen ilk KKDS'dir.
Özet (Çeviri)
Purpose: This thesis aims to develop an artificial intelligence-based novel Clinical Decision Support System (CDSS) and user-friendly interface for healthcare professionals to rapidly and accurately detect pandemic diseases. The developed CDSS, named“panCdss-pandemic-Clinical decision support system”, has been used in the detection of pandemic diseases such as covid-19 and monkeypox, which have adversely affected the lives and health of millions of people worldwide. Method: In this study, seven different transfer learning models from artificial intelligence techniques (VGG16, VGG19, ResNet50, ResNet101, Xception, InceptionV3, MobileNetV2) were used for the detection of covid-19 from lung computed tomography (CT) scans and chest X-ray images, and for the detection of monkeypox from skin lesion images. To improve the classification performance of the models for CT scans, new hybrid models were proposed. These hybrid models included feature extraction using Convolutional Neural Network (CNN) models and classification using machine learning methods such as Support Vector Machine (SVM), Logistic Regression (LR), and Random Forest (RF). The results obtained with these models were evaluated using performance metrics including accuracy, precision, recall, and F1 score. The models with the highest classification performance were integrated into the panCdss system. Findings: In the study, the highest classification scores for each dataset were determined as follows: for the covid-19 CT dataset, the CNN+RF hybrid model achieved an accuracy of 91.71%, precision of 92.07%, recall of 90.29%, and F1 score of 91.71%. For the covid-19 X-ray dataset, the VGG16 model achieved an accuracy of 99.56%, precision of 100%, recall of 99.12%, and an F1 score of 99.55%. For the monkeypox dataset, the MobileNetV2 model achieved an accuracy of 90.38%, precision of 93.32%, recall of 88.11%, and F1 score of 90.64%. Results: It is considered that panCdss can be effectively used for rapid and accurate classification of pandemic diseases, contributing to the reduction of workload of healthcare professionals. The proposed panCdss with its adaptable and dynamic structure has the potential to be developed not only for the detection of pandemics but also for the diagnosis of other diseases. The CDSS presented in this thesis is the first CDSS developed in the literature specifically for pandemic detection.
Benzer Tezler
- COVID-19 enfeksiyonunun biyokimyasal yansımalarının değerlendirilmesi
Evaluation of biochemical reflections of COVID-19 infection
MAİDE HACER TEKİN ALAGÖZ
Doktora
Türkçe
2023
Biyoistatistikİstanbul ÜniversitesiTıbbi Biyokimya Ana Bilim Dalı
PROF. DR. EVİN ADEMOĞLU
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Kurumsal kredilerin geri ödenmeme olasılığının tahminine yönelik Bayes ağı temelli bir erken uyarı modeli
A Bayesian network based early warning model that estimates the probability of non-performing corporate credits
YASEMİN BAŞ
Yüksek Lisans
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. UMUT ASAN
- Aktarım derin öğrenme metotları ile yüz ifadelerinden duygu tespiti
Emotion detection from facial expressions with transfer deep learning methods
SADİ TAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. YILMAZ KAYA
- Classification of chest X-rays by divergence-based convolutional neural network
Diverjans temelli evrişimsel ağ ile akciğer röntgen görüntülerinin sınıflandırılması
MUHAMMED NUR TALHA KILIÇ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ