Geri Dön

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

PDF İndir

  1. Tez No: 848408
  2. Yazar: İNANÇ MORAN
  3. Danışmanlar: PROF. DR. DENİZ TURGAY ALTILAR
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 119

Özet

Günümüzde, veri sınıflandırmadaki ve pratikte kullanılan uygulamalardaki başarıları, verinin içindeki bilgileri doğru şekilde ortaya çıkarma kapasiteleriyle, makine öğrenmesi ve derin öğrenme üzerine araştırmalar yoğun şekilde devam etmektedir. 21. yüzyılın başından bu yana, özellikle derin öğrenme, geleneksel öğrenme modellerini geride bırakarak ve son teknolojide devrim yaratarak oldukça başarılı sonuçlar üretmektedir. Bu kapsamda, bu tezde, derin öğrenme kullanılarak ölümcül ve yaygın bir hastalığın tespit edilmesi üzerinde çalışılmıştır. Bu doktora tezinin hedefi, etiketlenmiş kalp sinyali veri setini ve derin öğrenmeyi kullanarak Kronik Obstrüktif Akciğer Hastalığı (KOAH) teşhisini gerçekleştiren ilk yapay zeka araştırmasını ortaya koymaktır. Bu araştırmanın birincil katkısı, hastanın yalnızca kalp sinyalini (elektrokardiyogram, EKG) kullanarak KOAH'ı teşhis edebilen bir yapay zeka sisteminin geliştirilmesi ve tasarlanmasıdır. Hastane ortamında spirometre testleri ve zahmetli bir çalışma gerektiren geleneksel KOAH teşhisi yönteminin aksine önerilen sistem, derin transfer öğrenmenin sınıflandırma yeteneklerini ve KOAH belirtilerini kendi içinde sağlayan ve hastanın herhangi bir modern akıllı cihazdan alınabilen kalp sinyalini kullanmaktadır. Hastalık yavaş ilerlediği ve son aşamaya kadar kendini gizlediği için, hastaların tanı veya kontrol maksadıyla hastaneneye gitmeleri nadir görülmektedir. Bu kapsamda, bu araştırmanın tıbbi amacı da, KOAH'ı tedavi edilemez hale gelmeden önce basit bir kalp sinyali kullanarak tespit etmektir. Daha önce genel bir görüntü veri seti üzerinde eğitilmiş olan derin transfer öğrenme yapıları, sinyalden görüntüye dönüştürme teknikleriyle üretilen hastaların elektrokardiyogram sinyal eşdeğer resimlerini sınıflandırarak KOAH'ın otomatik teşhisini gerçekleştirmek için kullanılmaktadır. KOAH tespiti için Xception, VGG-19, InceptionResNetV2, DenseNet-121 ve“sıfırdan eğitilmiş”konvolüsyonel sinir ağı mimarileri üzerinde çalışılmış ve 33.000'e yakın resim üzerinde farklı eğitim stratejileri kullanılarak yüksek sınıflandırma performansları elde edilebildiği gösterilmiştir. En yüksek sınıflandırma oranı 99 % ile Xception modeli tarafından elde edilmiştir. Bu araştırma, yeni tanıtılan KOAH tespit yaklaşımının etkili, kolay uygulanabilir olduğunu ve hastalığın teşhisi için bir hastanede yapılması gereken zahmetli tetkiklerin yükünü ortadan kaldırdığını göstermektedir. Kronik Obstrüktif Akciğer Hastalığı (KOAH), tamamen geri döndürülemez bir hava akımı sınırlaması ile karakterize edilmiştir. Hem akciğerleri hem de kalbi önemli ölçüde etkilediği için, sanayileşmiş ve gelişmekte olan ülkelerde önde gelen hastalık ve ölüm nedenlerinden biridir. KOAH genellikle, sık ve uzun süreli sigara içiminden kaynaklandığından, semptomlar genellikle hastalık ilerlediğinde ve kişi kötüleşerek hastaneye gittiğinde ortaya çıkar. Bu nedenle, erken KOAH tespiti klinik olarak önemlidir. Tezin bir başka katkısı, geleneksel makine öğrenimi yöntemleri ve öznitelik çıkarma şemalarının aksine, alan bilgisi veya öznitelik seçme algoritması gerektirmeden zaman serisindeki kalp verilerini sınıflandırmasıdır. KOAH hastası ve sağlıklı deneklerin EKG zaman serisi sinyallerinden üretilen skalogramları kategorize etmek için önceden eğitilmiş olan derin ağların öğrenilmiş özelliklerini kullanan bir transfer öğrenme tekniği sunulmaktadır. Tezde, KOAH hastası ve sağlıklı bireylere ait EKG sinyalleri ile birlikte, Xception, VGG-19, InceptionResNetV2 ve DenseNet-121 gibi önceden eğitilmiş evrişimli sinir ağları kullanılarak KOAH'ın tespit edilmesine yönelik yöntemler üzerinde çalışılmıştır. Bu kapsamda, 12 bireyin 8'er saatlik EKG sinyali kayıtları alınmış, bu sinyaller 16 ve 32 saniyelik parçalara ayrılmış, sinyal dönüştürme yöntemlerini kullanarak resim formatına dönüştürülmüş ve ardından bu görüntüler derin konvolüsyonel ağlarda eğitim maksatlı kullanılmıştır. Xception, VGG-19 ve tarafımızca tasarlanan KOAH Dedektörü derin modellerinin EKG sinyallerinden KOAH tespitinde başarılı sonuçlar verdiği görülmüştür. Makine öğrenimi ve derin öğrenme her ne kadar doğru sonuçlar üretse de, bu teknikler belli bir tarihe kadar“kara kutu”söylemine maruz kaldığı için, açıklanabilirlik son zamanlarda derin öğrenmede kritik bir konu haline gelmiştir. Çünkü, derin öğrenme algoritmalarının çeşitli görevlerde olağanüstü performans göstermesine rağmen, iç işleyişlerine ve karar verme mekanizmalarına ilişkin anlaşılır açıklamalar sağlamak zordur. Açıklanabilir yapay zeka yöntemleri, bir yapay zeka modelinin sonuçlarını güvenilir bir şekilde tahmin edebilme veya bir kararın arkasındaki nedenleri kavrayabilmeyi sağlamaktadır. Derin öğrenme ve makine öğrenmesi modellerinin ürettiği sonuçları yorumlamayı mümkün kılan bu modellerden LIME ve SHAP metodları, tez içeriğinde yapılan sınıflandırmaların açıklanması/yorumlanması kapsamında incelenmiş ve uygulanmıştır. Tezde önerilen hastalık tespit yöntemi ileride pratik uygulamaya konulduğunda, EKG sinyallerinin daha detaylı ve hızlı yorumlanmasını sağlayarak göğüs hastalıkları uzmanlarının hastalığı teşhis edebilmesi için bir yardımcı araç işlevi de görebilecektir. EKG sinyallerinden KOAH'ı teşhis ederken elde edilen bilgi birikimi, hakkında çok az veri bulunan ve gelecekte ortaya çıkacak yeni hastalıkların da erken teşhisine yardımcı olabilecektir. Son yıllarda, makine öğrenmesi ve derin öğrenme gibi teknolojiler, tıp alanındaki zorluklara yardımcı çözümler sunmada çok önemli bir rol oynamaktadır. Ayrıca, erken ve zamanında hastalık tespiti için tıbbi görüntülemenin öngörücü doğruluğunu da geliştirmektedirler. Tezin bir diğer motivasyonu, derin öğrenmeyi kullanarak KOAH hastalığı teşhisine yönelik ilk çalışmayı ortaya koyması ve aynı zamanda bu alandaki ilk etiketli veri setini kullanmasıdır. Literatürde taranan önceki araştırmalara ilave olarak, tezde iki katkı sağlanmaktadır. Birincisi, derin transfer öğrenme kullanılarak elde edilen KOAH hastalığının düşük maliyetli, hızlı, güvenli ve otomatik tespitidir. KOAH'ın erken öngörülmesi hastalığın ilerlemesini önlemede hayati önem taşıdığından, önerilen yöntem potansiyel hastalara erken bir aşamada hastalığı tespit etme ve tedavi olma fırsatı verecektir. İkinci katkı olarak, özellikle açıklanabilir yapay zeka ile elde edilen bulgular, gelecekte çıkarılacak olan özelliklerin potansiyel biyo-belirteç davranışlarının araştırılması gerektiğini göstermektedir. Sonuç olarak, bu tez çalışması, araştırmaya konu olan bir dizi önemli alana ışık tutmuştur. Tezin başında belirtilen araştırma hedefleri detaylı olarak incelenmiştir. Önerilen yaklaşım derinlemesine değerlendirilmiş, ilgili literatür kapsamlı bir şekilde incelenerek dizayn edilen sistem ile başarılı sonuçlar elde edilmiştir. Bilgisayar mühendisliği ve biyomedikal alanlarında eş zamanlı ve önemli katkılarda bulunulduğu değerlendirilmektedir. Edinilen bulgular, ileride ayrıca yapılabilecek ilave araştırmalar için yeni yönler ortaya çıkarmış ve bu yönlerdeki potansiyel ilgi alanları vurgulanmıştır.

Özet (Çeviri)

Today, research on machine learning and deep learning continues intensively due to their success in data classification and applications used in practice and their capacity to accurately reveal the information in the data. Since the beginning of the 21st century, especially deep learning, has produced very successful results by leaving traditional learning models behind and revolutionizing the latest technology. In this context, the detection of a fatal and global disease using deep learning has been researched in this thesis. The motivation of this research is to introduce the first research on automated Chronic Obstructive Pulmonary Disease (COPD) diagnosis using deep learning and the first annotated dataset in this field. The primary objective and contribution of this research is the development and design of an artificial intelligence system capable of diagnosing COPD utilizing only the heart signal (electrocardiogram, ECG) of the patient. In contrast to the traditional way of diagnosing COPD, which requires spirometer tests and a laborious workup in a hospital setting, the proposed system uses the classification capabilities of deep transfer learning and the patient's heart signal, which provides COPD signs in itself and can be received from any modern smart device. Since the disease progresses slowly and conceals itself until the final stage, hospital visits for diagnosis are uncommon. Hence, the medical goal of this research is to detect COPD using a simple heart signal before it becomes incurable. Deep transfer learning frameworks, which were previously trained on a general image data set, are transferred to carry out an automatic diagnosis of COPD by classifying patients' electrocardiogram signal equivalents, which are produced by signal-to-image transform techniques. Xception, VGG-19, InceptionResNetV2, DenseNet-121, and“trained-from-scratch”convolutional neural network architectures have been investigated for the detection of COPD, and it is demonstrated that they are able to obtain high performance rates in classifying nearly 33.000 instances using diverse training strategies. The highest classification rate was obtained by the Xception model at 99%. Although machine learning and deep learning generate accurate results, until a certain date, these techniques were subject to“black box”discourse. Recently, explainability has become a crucial issue in deep learning. Despite the exceptional performance of deep learning algorithms in various tasks, it is difficult to explain their inner workings and decision-making mechanisms in a way that is understandable. Explainable AI methods enable the accurate prediction of the outcomes of an AI model or the comprehension of the decision-making process. The LIME and SHAP methods, which are among the models that make it possible to interpret the results of deep learning and machine learning models, have been investigated for the purpose of interpreting the classifications made in the thesis. This research shows that the newly introduced COPD detection approach is effective, easily applicable, and eliminates the burden of considerable effort in a hospital. It could also be put into practice and serve as a diagnostic aid for chest disease experts by providing a deeper and faster interpretation of ECG signals. Using the knowledge gained while identifying COPD from ECG signals may aid in the early diagnosis of future diseases for which little data is currently available.

Benzer Tezler

  1. Tez No

    472615

    Computer aided diagnosis of cognitive disorders using neuropsychological and neuroimaging data

    Nöropsikolojik ve nörogörüntüleme verileri ile bilişsel bozuklukların bilgisayar destekli tanısı

    FÜSUN ER

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe Üniversitesi

    Biyoteknoloji Ana Bilim Dalı

    YRD. DOÇ. DR. DIONYSIS GOULARAS

  2. Tez No

    887780

    İnsan gen yolaklarında ikâme modelleme ve makine öğrenmesi kullanarak varyant analizi

    Variant analysis in human gene networks using surrogate modelling and machine learning

    FURKAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜHA TUNA

  3. Tez No

    844896

    Developing novel model for disease detections by processing medical data with artificial intelligence techniques

    Yapay zeka teknikleri teknikleriyle tıbbi verileri kullanarak tespit yapan yeni bir model ve algoritma geliştirme

    DERYA YELİZ COŞAR SOĞUKKUYU

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OĞUZ ATA

  4. Tez No

    892154

    Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques

    Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme

    YASMIN NASSER MOHAMED

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  5. Tez No

    547388

    Management of wireless communication systems using artificial intelligence-based software defined radio

    Yapay zeka tabanlı yazılım tanımlı telsiz kullanarak kablosuz ağ sistemleri yönetimi

    FAIQ AHMED MOHAMMED BARGARAI

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiSiirt Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ VOLKAN MÜJDAT TİRYAKİ

    PROF. DR. ADNAN MOHSIN ABDUAZEEZ

Geri Dön