Meme kanseri tahmininde makine öğrenmesi algoritmaları ve AutoML
Breast cancer diagnosis with machine learning algorithms and AutoML
- Tez No: 860055
- Danışmanlar: PROF. DR. SEZAİ TOKAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 108
Özet
Makine öğrenmesi tıp dahil olmak üzere birçok alanda önemli rol oynamaktadır. Özellikle sağlık alanında makine öğrenmesi çeşitli hastalıkların teşhis ve tedavisine yardımcı olan önemli bir araç olarak hizmet vermektedir. Makine öğrenmesinin önemli uygulamalarından biri özellikle kadınlar arasında dünya genelinde kanserden ölüm nedenleri arasında önde gelen meme kanseri gibi hastalıkların erken teşhisidir. Meme kanserinin teşhisinde yüksek doğruluk elde etmek tedavinin etkinliğini ve hastanın genel durumunu doğrudan etkilediği için çok önemlidir. Veri analizi yapılarak farklı makine öğrenmesi modelleri ile tıbbi veriler doğru şekilde analiz edilebilir. Bu çalışmada çeşitli makine öğrenmesi algoritmalarının (Lojistik Regresyon, Karar Ağacı, KNN, Naive Bayes, Destek Vektör Makinesi, Rassal Orman, Stokastik Gradyan İniş, Adaboost, XGBoost, LightGBM, Yapay Sinir Ağları) önce ön işleme,veri artırma, hiperparametre optimizasyonlu olarak sonra AutoML yöntemlerinin (TPOT, H2O, MLJAR) veri artırma ve ön işlemeler ile Wisconsin Meme Kanseri (Teşhis) veriseti üzerinde makine öğrenmesi modeli geliştirmeye yönelik iki farklı yaklaşımın karşılaştırmalı performansı araştırılmıştır. Standardizasyon, SMOTE ve rassal az örnekleme, hiperparametre optimizasyonu model sonuçlarını genel olarak iyileştirmiştir. AutoML yöntemleri makine öğrenmesi algoritmalarının hepsinden daha yüksek doğruluk ve F1-skor değerleri elde etmiştir. AutoML yöntemleri model oluşturma sürecini otomatikleştirmek ve modeli optimize etmek için etkili bir araç olma potansiyeli göstermektedir.
Özet (Çeviri)
Machine learning plays an important role in many fields including medicine. Especially in the field of healthcare, machine learning serves as an important tool to help diagnose and treat various diseases. One of the important applications of machine learning is the early detection of diseases such as breast cancer which is the leading cause of cancer death worldwide especially among women. Achieving high accuracy in the diagnosis of breast cancer is very important as it directly affects the effectiveness of treatment and general condition of patient. Medical data can be accurately analyzed with data analysis and different machine learning models. In this study the comparative performance of two different approaches to machine learning model development on the Wisconsin Breast Cancer (Diagnosis) dataset is investigated using various machine learning algorithms (Logistic Regression, Decision Tree, KNN, Naive Bayes, Support Vector Machine, Random Forest, Stochastic Gradient Descent, Adaboost, XGBoost, LightGBM, Artificial Neural Networks) with preprocessing, data augmentation, hyperparameter optimization and AutoML methods (TPOT, H2O, MLJAR) with data augmentation and preprocessing. Standardization, SMOTE and random undersampling and hyperparameter optimization generally improved model results. AutoML methods achieved higher accuracy and F1-score values than all machine learning algorithms. AutoML methods show the potential to be an effective tool for automating the model building process and optimizing the model.
Benzer Tezler
- Microwave spectroscopy based breast cancer diagnosis using support vector machines
Destek vektör makineleri kullanılarak mikrodalga spektroskopi temelli meme kanseri tanısı
EMRE ÖNEMLİ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
DR. ÖĞR. ÜYESİ TUBA YILMAZ ABDOLSAHEB
- Meme kanseri hastalarının sağ kalım tahmini için öznitelik seçimi ve sınıflandırma algoritmalarının karşılaştırılması
Feature selection and comparision of classification algorithims for survival of breast cancer patients
GİZEM YAĞMUR ÖZKAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEVCAN YILMAZ GÜNDÜZ
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- Meme kanserli hastalarda Flor-18 florodeoksiglukoz pozitron emisyon tomografisi/bilgisayarlı tomografisinin radyomiks analizinin neoadjuvan kemoterapi yanıtını öngörü değeri
Predictive value of radiomics analysis of Flor-18 flurodeoxyglucose positron emission tomography/computed tomography in response to neoadjuvant chemotherapy in breast cancer patients
DİLEK ALGUR
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpErciyes ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF. DR. AHMET TUTUŞ
- Makine öğrenmesi yöntemlerinin sınıflandırma başarısını arttırmaya yönelik meta analiz sonuçlarına dayalı bir model önerisi: Göğüs kanseri verileri üzerine uygulama
A proposed model based on meta-analysis results to improve the classification success of machine learning methods: Application on breast cancer data
MUHAMMED ENES EREN
Yüksek Lisans
Türkçe
2024
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. ALİ HAKAN BÜYÜKLÜ