Geri Dön

Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19

PDF İndir

  1. Tez No: 842068
  2. Yazar: MERVE BEGÜM TERZİ
  3. Danışmanlar: PROF. DR. ORHAN ARIKAN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 202

Özet

Koroner arter hastalıkları, dünya çapında ölümlerin başlıca nedenidir ve zamanında tedavi için erken teşhis çok önemlidir. Bu sorunu ele almak amacıyla, çeşitli sinyal işleme, öznitelik çıkarma, denetimli, ve denetimsiz makine öğrenmesi yöntemlerini birleştiren yeni bir otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği öneriyoruz. Otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği, 12-derivasyonlu elektrokardiyogram (EKG) ve kardiyak sempatik sinir aktivitesi (KSSA) verilerini birlikte ve eş zamanlı analiz ederek, koroner arter hastalıklarının hızlı, erken, ve doğru teşhisini gerçekleştirmektedir. Önerilen otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniğini geliştirmek ve değerlendirmek için, 260 denekten non-invaziv olarak elde edilen 12-derivasyonlu geniş bantlı ham kayıtları içeren tamamen-etiketlenmiş STAFF III ve PTBD veri tabanlarını kullandık. Bu veri tabanlarındaki geniş bantlı ham kayıtları kullanarak, tüm deneklerin 12-derivasyonlu EKG ve KSSA sinyallerini eş zamanlı olarak tespit eden bir sinyal işleme tekniği geliştirdik. Ön-işlenmiş 12-derivasyonlu EKG ve KSSA sinyallerini kullanarak, koroner arter hastalıklarının güvenilir teşhisi için kritik olan istatistiksel EKG ve KSSA özniteliklerini elde eden bir zaman-düzlemi öznitelik çıkarma tekniği geliştirdik. Elde edilen ayırt edici öznitelikleri kullanarak, 12-derivasyonlu EKG ve KSSA verilerindeki anomalileri eş zamanlı olarak tespit eden yapay sinir ağı-tabanlı bir denetimli sınıflandırma tekniği geliştirdik. Ayrıca, koroner arter hastalıklarını temsil eden aykırı değerlerin gürbüz tespitini gerçekleştiren, Gauss karışım modeline ve Neyman-Pearson kriterine dayalı bir denetimsiz kümeleme tekniği geliştirdik. Otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniğini kullanarak, koroner arter hastalığı sırasında KSSA sinyalinin genliğindeki artış ile EKG sinyalindeki anomaliler arasında önemli bir ilişki olduğunu gösterdik. Otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği, 98.48% duyarlılık, 97.73% özgüllük, 98.11% doğruluk, 97.74% kesinlik, 98.47% negatif tahmin değeri, ve 98.11% F1-skoru ile koroner arter hastalıklarının oldukça güvenilir tespitini gerçekleştirmiştir. Bu nedenle, yapay zekâ-tabanlı hibrit anomali tespit tekniği, koroner arter hastalıklarını teşhis etmek için altın standart tanı testi olarak kullanılan EKG'ye kıyasla daha üstün başarım göstermiştir. Ayrıca, yapay zekâ-tabanlı hibrit anomali tespit tekniği, bu çalışmada geliştirilen ve sadece KSSA verilerini veya sadece EKG verilerini kullanan diğer tekniklerden daha üstün başarım göstermiştir. Bu sebeple, farklı veri türlerinin çeşitliliğinden ve güçlü yönlerinden faydalanarak, koroner arter hastalıklarının tespit başarımını önemli ölçüde arttırmıştır. Ayrıca, yapay zekâ-tabanlı hibrit anomali tespit tekniğinin başarımı, koroner arter hastalıklarını teşhis etmek veya sınıflandırmak için yalnızca EKG verilerini kullanmış olan literatürdeki birçok makine öğrenmesi ve derin öğrenme yöntemlerinin başarımından daha üstündür. Ek olarak, klinik ortamlarda gerçek-zamanlı koroner arter hastalığı tespiti için oldukça arzu edilen çok kısa bir uygulama süresine sahiptir. Önerilen otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği, koroner arter hastalıklarının hızlı, erken, ve doğru teşhisi konusunda doktorların başarısını arttıran etkili bir karar destek sistemi olarak hizmet edebilir. Özellikle EKG tarafından sağlanan teşhis bilgilerinin, hastalığın güvenilir teşhisi için tek başına yeterli olmadığı asemptomatik koroner arter hastaları açısından oldukça faydalı ve değerli olabilir. Bu nedenle, hasta sonuçlarını önemli ölçüde iyileştirebilir, zamanında tedavilere olanak sağlayabilir ve kardiyovasküler hastalıkların mortalitesini azaltabilir. İkinci olarak, Koronavirüs hastalığının (COVID-19) hızlı ve doğru teşhisini gerçekleştirmek için ters transkriptaz-polimeraz zincir reaksiyonu (RT-PCR) eğrilerini, toraks bilgisayarlı tomografi görüntülerini, ve laboratuvar verilerini birlikte analiz eden yeni bir otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniği öneriyoruz. Bu amaçla, tamamen-etiketlenmiş Ankara Üniversitesi Tıp Fakültesi COVID-19 (AÜTF-CoV) veri tabanını geriye dönük olarak oluşturduk. AÜTF-CoV veri tabanı, RT-PCR eğrileri, toraks bilgisayarlı tomografi görüntüleri, ve laboratuvar verileri de dahil olmak üzere çok çeşitli tıbbi veriler içermektedir. AÜTF-CoV veri tabanı, COVID-19 pnömonisi (CVP), diğer viral ve bakteriyel pnömoniler (VBP), ve parankimal akciğer hastalıkları (PAH) gibi ayırıcı tanısı çok zor olan toraks bilgisayarlı tomografi görüntülerini içeren en kapsamlı veri tabanıdır. İki ön-işleme yöntemi, uzun kısa-süreli bellek ağı-tabanlı derin öğrenme yöntemi, evrişimsel sinir ağı-tabanlı derin öğrenme yöntemi, ve yapay sinir ağı-tabanlı makine öğrenmesi yönteminden oluşan bir topluluk öğrenmesi tekniği olan yeni bir otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniği geliştirdik. Önerilen otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniği, RT-PCR eğrilerini, toraks bilgisayarlı tomografi görüntülerini, ve laboratuvar verilerini birlikte analiz ederek, COVID-19'un güvenilir tespiti için kritik olan farklı veri türlerinin çeşitliliğinden ve güçlü yönlerinden faydalanmaktadır. Önerilen evrişimsel sinir ağı-tabanlı derin öğrenme yönteminin AÜTF-CoV veri tabanı üzerindeki çok-sınıflı sınıflandırma başarım sonuçları, yöntemin 91.9% duyarlılık, 92.5% özgüllük, 80.4% kesinlik, ve 86% F1-skoru ile COVID-19'un oldukça güvenilir tespitini sağladığını göstermiştir. Bu nedenle, COVID-19 teşhisinin özgüllüğü bakımından toraks bilgisayarlı tomografiye kıyasla daha üstün başarım göstermiştir. Ayrıca, evrişimsel sinir ağı-tabanlı derin öğrenme yönteminin, radyolojik bulguları çok benzer olan COVID-19 pnömonisini (CVP), diğer viral ve bakteriyel pnömonileri (VBP), ve parenkimal akciğer hastalıklarını (PAH) çok yüksek başarım ile ayırt ettiği gösterilmiştir. Bu nedenle, cam opasitelerini içeren akciğer hastalıklarının ayırıcı tanısında yüksek başarım ile kullanılma potansiyeline sahiptir. Önerilen evrişimsel sinir ağı-tabanlı derin öğrenme yönteminin iki-sınıflı sınıflandırma başarım sonuçları, yöntemin COVID-19 teşhisinde 91.5% duyarlılık, 94.8% özgüllük, 85.6% kesinlik, ve 88.4% F1-skoru elde ettiğini göstermiştir. Bu nedenle, COVID-19 teşhisinde toraks bilgisayarlı tomografi ile karşılaştırılabilir duyarlılığa sahiptir. Ayrıca, önerilen uzun kısa-süreli bellek ağı-tabanlı derin öğrenme yönteminin AÜTF-CoV veri tabanı üzerindeki iki-sınıflı sınıflandırma başarım sonuçları, yöntemin 96.6% duyarlılık, 99.2% özgüllük, 98.1% kesinlik, ve 97.3% F1-skoru ile COVID-19'un oldukça güvenilir tespitini sağladığını göstermiştir. Bu nedenle, COVID-19 teşhisinin duyarlılığı bakımından altın standart RT-PCR testine kıyasla daha üstün başarım göstermiştir. Önerilen otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniğinin AÜTF-CoV veri tabanı üzerindeki çok-sınıflı sınıflandırma başarım sonuçları, tekniğin 66.3% duyarlılık, 94.9% özgüllük, 80% kesinlik, ve 73% F1-skoru ile COVID-19'u teşhis ettiğini göstermiştir. Bu durum, hibrit klinik karar destek tekniğinin, COVID-19 pnömonisini (CVP) ve diğer pnömonileri çok başarılı bir şekilde ayırt edebildiğini göstermektedir. Otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniğinin iki-sınıflı sınıflandırma başarım sonuçları, tekniğin 90% duyarlılık, 92.8% özgüllük, 91.8% kesinlik, ve 90.9% F1-skoru ile COVID-19'un oldukça gürbüz tespitini sağladığını göstermiştir. Bu nedenle, hibrit klinik karar destek tekniği, COVID-19 teşhisinde laboratuvar verilerine kıyasla daha üstün duyarlılığa ve özgüllüğe sahiptir. Önerilen otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniğinin AÜTF-CoV veri tabanı üzerindeki başarım sonuçları, tekniğin RT-PCR verilerini, toraks bilgisayarlı tomografi görüntülerini ve laboratuvar verilerini birlikte analiz ederek, oldukça güvenilir COVID-19 teşhisi sağladığını göstermektedir. Sonuç olarak, önerilen teknik, doktorların COVID-19'u teşhis etme başarısını önemli ölçüde artırabilir, COVID-19 hastalarını hızlı izole etme ve tedavi etme konusunda onlara yardımcı olabilir ve günlük klinik uygulamadaki iş yüklerini azaltabilir.

Özet (Çeviri)

Coronary artery diseases are the leading cause of death worldwide, and early diagnosis is crucial for timely treatment. To address this, we present a novel automated artificial intelligence-based hybrid anomaly detection technique composed of various signal processing, feature extraction, supervised, and unsupervised machine learning methods. By jointly and simultaneously analyzing 12-lead electrocardiogram (ECG) and cardiac sympathetic nerve activity (CSNA) data, the automated artificial intelligence-based hybrid anomaly detection technique performs fast, early, and accurate diagnosis of coronary artery diseases. To develop and evaluate the proposed automated artificial intelligence-based hybrid anomaly detection technique, we utilized the fully labeled STAFF III and PTBD databases, which contain 12-lead wideband raw recordings non-invasively acquired from 260 subjects. Using the wideband raw recordings in these databases, we developed a signal processing technique that simultaneously detects the 12-lead ECG and CSNA signals of all subjects. Subsequently, using the pre-processed 12-lead ECG and CSNA signals, we developed a time-domain feature extraction technique that extracts the statistical CSNA and ECG features critical for the reliable diagnosis of coronary artery diseases. Using the extracted discriminative features, we developed a supervised classification technique based on artificial neural networks that simultaneously detects anomalies in the 12-lead ECG and CSNA data. Furthermore, we developed an unsupervised clustering technique based on the Gaussian mixture model and Neyman-Pearson criterion that performs robust detection of the outliers corresponding to coronary artery diseases. By using the automated artificial intelligence-based hybrid anomaly detection technique, we have demonstrated a significant association between the increase in the amplitude of CSNA signal and anomalies in ECG signal during coronary artery diseases. The automated artificial intelligence-based hybrid anomaly detection technique performed highly reliable detection of coronary artery diseases with a sensitivity of 98.48%, specificity of 97.73%, accuracy of 98.11%, positive predictive value (PPV) of 97.74%, negative predictive value (NPV) of 98.47%, and F1-score of 98.11%. Hence, the artificial intelligence-based hybrid anomaly detection technique has superior performance compared to the gold standard diagnostic test ECG in diagnosing coronary artery diseases. Additionally, it outperformed other techniques developed in this study that separately utilize either only CSNA data or only ECG data. Therefore, it significantly increases the detection performance of coronary artery diseases by taking advantage of the diversity in different data types and leveraging their strengths. Furthermore, its performance is comparatively better than that of most previously proposed machine and deep learning methods that exclusively used ECG data to diagnose or classify coronary artery diseases. It also has a very short implementation time, which is highly desirable for real-time detection of coronary artery diseases in clinical practice. The proposed automated artificial intelligence-based hybrid anomaly detection technique may serve as an efficient decision-support system to increase physicians' success in achieving fast, early, and accurate diagnosis of coronary artery diseases. It may be highly beneficial and valuable, particularly for asymptomatic coronary artery disease patients, for whom the diagnostic information provided by ECG alone is not sufficient to reliably diagnose the disease. Hence, it may significantly improve patient outcomes, enable timely treatments, and reduce the mortality associated with cardiovascular diseases. Secondly, we propose a new automated artificial intelligence-based hybrid clinical decision support technique that jointly analyzes reverse transcriptase-polymerase chain reaction (RT-PCR) curves, thorax computed tomography images, and laboratory data to perform fast and accurate diagnosis of Coronavirus disease 2019 (COVID-19). For this purpose, we retrospectively created the fully labeled Ankara University Faculty of Medicine COVID-19 (AUFM-CoV) database, which contains a wide variety of medical data, including RT-PCR curves, thorax computed tomography images, and laboratory data. The AUFM-CoV is the most comprehensive database that includes thorax computed tomography images of COVID-19 pneumonia (CVP), other viral and bacterial pneumonias (VBP), and parenchymal lung diseases (PLD), all of which present significant challenges for differential diagnosis. We developed a new automated artificial intelligence-based hybrid clinical decision support technique, which is an ensemble learning technique consisting of two preprocessing methods, long short-term memory network-based deep learning method, convolutional neural network-based deep learning method, and artificial neural network-based machine learning method. By jointly analyzing RT-PCR curves, thorax computed tomography images, and laboratory data, the proposed automated artificial intelligence-based hybrid clinical decision support technique benefits from the diversity in different data types that are critical for the reliable detection of COVID-19 and leverages their strengths. The multi-class classification performance results of the proposed convolutional neural network-based deep learning method on the AUFM-CoV database showed that it achieved highly reliable detection of COVID-19 with a sensitivity of 91.9%, specificity of 92.5%, precision of 80.4%, and F1-score of 86%. Therefore, it outperformed thorax computed tomography in terms of the specificity of COVID-19 diagnosis. Moreover, the convolutional neural network-based deep learning method has been shown to very successfully distinguish COVID-19 pneumonia (CVP) from other viral and bacterial pneumonias (VBP) and parenchymal lung diseases (PLD), which exhibit very similar radiological findings. Therefore, it has great potential to be successfully used in the differential diagnosis of pulmonary diseases containing ground-glass opacities. The binary classification performance results of the proposed convolutional neural network-based deep learning method showed that it achieved a sensitivity of 91.5%, specificity of 94.8%, precision of 85.6%, and F1-score of 88.4% in diagnosing COVID-19. Hence, it has comparable sensitivity to thorax computed tomography in diagnosing COVID-19. Additionally, the binary classification performance results of the proposed long short-term memory network-based deep learning method on the AUFM-CoV database showed that it performed highly reliable detection of COVID-19 with a sensitivity of 96.6%, specificity of 99.2%, precision of 98.1%, and F1-score of 97.3%. Thus, it outperformed the gold standard RT-PCR test in terms of the sensitivity of COVID-19 diagnosis. Furthermore, the multi-class classification performance results of the proposed automated artificial intelligence-based hybrid clinical decision support technique on the AUFM-CoV database showed that it diagnosed COVID-19 with a sensitivity of 66.3%, specificity of 94.9%, precision of 80%, and F1-score of 73%. Hence, it has been shown to very successfully perform the differential diagnosis of COVID-19 pneumonia (CVP) and other pneumonias. The binary classification performance results of the automated artificial intelligence-based hybrid clinical decision support technique revealed that it diagnosed COVID-19 with a sensitivity of 90%, specificity of 92.8%, precision of 91.8%, and F1-score of 90.9%. Therefore, it exhibits superior sensitivity and specificity compared to laboratory data in COVID-19 diagnosis. The performance results of the proposed automated artificial intelligence-based hybrid clinical decision support technique on the AUFM-CoV database demonstrate its ability to provide highly reliable diagnosis of COVID-19 by jointly analyzing RT-PCR data, thorax computed tomography images, and laboratory data. Consequently, it may significantly increase the success of physicians in diagnosing COVID-19, assist them in rapidly isolating and treating COVID-19 patients, and reduce their workload in daily clinical practice.

Benzer Tezler

  1. Tez No

    467661

    Derin öğrenme yöntemleri ile bilgisayar ağlarında güvenliğe yönelik anormallik tespiti

    Deep learning based network anomaly detection

    RÜSTEM CAN AYGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ GÖKHAN YAVUZ

  2. Tez No

    908560

    Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers

    ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti

    MEHMET ALPEREN BAKICI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  3. Tez No

    595636

    Adaptive and hierarchical classifier fusion approaches for network attack detection

    Ağ saldırısı tespiti için uyarlanır ve aşamalı sınıflandırıcı tümleştirme yaklaşımları

    ERKAN AS

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

  4. Tez No

    841224

    Veri ambarındaki perakende verilerinde anomali tespiti ve aktarımı için yapay zeka tabanlı yaklaşımlar

    Artificial intelligence-based approaches for anomaly detection and transfer in retail data in the data warehouse

    ONUR ÇİRKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NAGEHAN İLHAN

  5. Tez No

    854814

    Endüstriyel üretim hatlarında az sayıda veri ile öğrenebilen görüntü işleme teknolojisi ile kusurlu ürün tespiti

    Defected product detection in industrial assembly lines using image processing technology with limited data

    ALİ AKYOL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiHaliç Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İLKAY SARAÇOĞLU

Geri Dön