Geri Dön

An artificial intelligence approach for breast cancer treatment

Meme kanseri tedavisinde yapay zeka yaklaşımı

PDF İndir

  1. Tez No: 872717
  2. Yazar: TUĞÇE BELDEK
  3. Danışmanlar: PROF. DR. HATİCE CAMGÖZ AKDAĞ
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Sağlık Yönetimi, Industrial and Industrial Engineering, Healthcare Management
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İşletme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 128

Özet

Meme kanseri, hasta sonuçlarını iyileştirme ve risk faktörlerini kavrama gereksinimi nedeniyle önemli bir sağlık meselesidir. Bu tez, kadın özellikleri ile meme kanseri arasındaki bağlantıyı çok yönlü bir analizle incelemektedir. Saygın bir klinikten elde edilen veri seti, önemli risk faktörlerini tanımlamak ve prediktif modeller geliştirmek amacıyla gelişmiş makine öğrenimi yöntemleri kullanılarak işlenmiştir. Asıl hedef, meme kanseri etiyolojisine dair anlayışı derinleştirmek ve hedeflenen müdahalelere katkı sağlamaktır. Bu çalışma, meme kanseri risk faktörleri, epidemiyolojisi ve makine öğreniminin bu alandaki kullanımı üzerine kapsamlı bir literatür incelemesi ile başlar. Bu inceleme, araştırmanın teorik zeminini oluşturur ve bilgi açıklarını tanımlayarak incelemeye yön verir. Araştırmada, klinikten toplanan, anonim hasta kayıtlarını içeren geniş bir veri yelpazesini barındıran kapsamlı bir veri seti kullanılmıştır. Analiz bütünlüğü ve kalitesini sağlamak için veri ön işleme ve özellik mühendisliği teknikleri uygulanmıştır. Araştırmada, veri setini kullanarak desenleri tanımlayıp meme kanseri oluşum olasılığını doğru bir şekilde tahmin etmeyi amaçlayan lojistik regresyon, karar ağaçları ve yapay sinir ağları gibi ileri düzey makine öğrenimi algoritmaları kullanılmıştır. Bu çalışmada, meme kanserini tahmin etmek için logistic regression modeli kullanılmıştır. Model, kadın özellikleri gibi bağımsız değişkenleri kullanarak hastalığın olasılığını hesaplar. Bu modelin seçilmesinin nedeni, çıktının olasılık olarak yorumlanabilmesi ve sonuçların tıbbi karar verme süreçlerinde doğrudan kullanılabilir olmasıdır. Model, çeşitli testlerle değerlendirilmiş ve kalibrasyonu için gereken ayarlamalar yapılmıştır. Ayrıca, modelin duyarlılık ve özgüllük oranları gibi performans metrikleri de detaylı olarak incelenmiştir. Karar ağaçları, veri setindeki karmaşık yapıları basit karar düğümleriyle ifade edebilme avantajına sahiptir. Bu yöntem, özellikle heterojen popülasyonları analiz etmek ve önemli prediktörleri görsel olarak sunmak için kullanılmıştır. Ağaç yapısı, hastaların risk faktörlerine göre nasıl gruplandırıldığını açıkça göstermektedir, bu da klinisyenlere risk faktörlerini daha iyi anlama konusunda yardımcı olmaktadır. Bu modelin hassasiyeti ve ağaç derinliği gibi parametreler optimizasyon sürecinde detaylı bir şekilde ayarlanmıştır. Yapay sinir ağları, bu tezde karmaşık ve non-lineer ilişkileri modellemek için kullanılmıştır. Çalışmada, çok katmanlı perceptron (MLP) mimarisi tercih edilmiş, bu sayede model, daha yüksek derecede doğrulukla tahmin yapabilme yeteneğine kavuşmuştur. Modelin eğitim süreci, kullanılan katman sayısı, nöron sayısı ve aktivasyon fonksiyonları gibi teknik detayları, modelin nasıl optimize edildiğini ve sonuçların doğruluğunu artırmak için yapılan çalışmaları anlatmaktadır. Kadın özelliklerinin etkilerini değerlendirmek ve sonuçları yorumlamak amacıyla, bulgular derinlemesine analiz edilmiş ve mevcut bilgilerle karşılaştırılmıştır. Bu analiz, meme kanseri oluşumuyla ilişkili risk faktörlerini belirleyerek, erken teşhis, önleyici stratejiler ve hedefe yönelik müdahaleler için kıymetli içgörüler sunmaktadır. Her bir modelin bulguları, memen kanseri oluşumuyla ilişkili risk faktörlerini belirlemede nasıl bir rol oynadığı açıklanmaktadır. Örneğin, logistic regression modeli tarafından belirlenen en güçlü prediktörler, karar ağaçları ile teyit edilmiş ve ANN modeli ile daha da derinlemesine incelenmiştir. Bu bölüm, farklı modellerin bulgularının nasıl birbirini tamamladığını ve genel sonuçları nasıl güçlendirdiğini göstermektedir. Karar Ağacı modelleri, tüm üç veri setinde %90 civarında tutarlı bir doğruluk seviyesi sergilemektedir. Ancak, bu modellerin hassasiyet ve hatırlama oranlarındaki performansları değişkenlik göstermekte olup, özellikle Veri Seti-1'de en düşük F1 puanı olan 0.333 ile dikkat çekmektedir. Bu durum, modelin gerçek pozitifler ile bu pozitif tahminlerin doğruluğu arasında mütevazı bir denge olduğunu göstermekte, modelin negatif vakaları pozitif olarak yanlış sınıflandırma eğilimi olabileceğine işaret etmektedir. Ayrıca, bu modeller temel olarak yaş ve kanser geçmişi değişkenlerinin, risk tahmininde daha önemli olduğu sonucuna ulaşmıştır. Lojistik Regresyon modelleri, veri setleri boyunca hatırlama oranında dikkate değer bir artış göstermekte ve sürekli olarak 0.978'in üzerinde puan almaktadır. Bu yüksek hatırlama oranı, Lojistik Regresyon modellerinin gerçek pozitif vakaları tanıma konusunda olağanüstü yetenekli olduğunu göstermektedir. Ancak, Lojistik Regresyon modellerinin hassasiyeti, hatırlama oranlarıyla eşleşmemekte, bu da az sayıda yanlış pozitif olduğunu göstermektedir. Yine de Lojistik Regresyon modellerinin F1 puanları, özellikle Veri Seti2 LR ve Veri Seti3 LR'de, Karar Ağacı modellerine kıyasla hassasiyet ve hatırlama oranları arasında üstün bir dengeyi yansıtmaktadır. Bu modeller de özellikle yaş ve kanser geçmişi gibi değişkenlerin, hastalığın tahmininde kritik rol oynadığını belirtmektedir. Yapay Sinir Ağı modelleri, özellikle Veri Seti3 ANN'de, tüm metriklerde neredeyse mükemmel puanlara yaklaşan olağanüstü genel performanslarıyla öne çıkmaktadır. Hassasiyet ve hatırlama oranları 0.988'in üzerinde olan ANN modelleri, yanlış pozitif ve negatifleri en aza indirirken pozitif vakaları doğru bir şekilde sınıflandırma konusunda olağanüstü bir yetenek sergilemektedir, bu da F1 puanlarının 1'e yakın olduğunu göstermektedir. Sonuç olarak, her model farklı alanlarda güçlü yönler sergilemekle birlikte, sunulan metriklere göre Yapay Sinir Ağları en dengeli ve en yüksek genel performansı göstermektedir. Bu özel uygulama için, veri setleri boyunca genelleme yapabilme ve hatayı en aza indirme yeteneği nedeniyle ANN'nin tercih edilen model olabileceği önerilmektedir. Ancak, model seçimi sadece performans metrikleriyle değil, aynı zamanda modellerin yorumlanabilirliği, hesaplama verimliliği ve uygulanan alanda yanlış sınıflandırmaların özel maliyeti gibi faktörler göz önünde bulundurularak yapılmalıdır. Radyoloji departmanında yapılan bir vaka çalışmasıyla birlikte, meme kanseri risk faktörlerinin analizi de bu teze dâhil edilmiştir. Değer akışı haritalama, radyoloji departmanındaki süreçleri optimize etmek, israfı azaltmak ve verimliliği artırmak için kullanılan stratejik bir yönetim tekniğidir. Bu vaka çalışması, değer akışı haritalama tekniklerinin sağlık hizmetlerinde nasıl uygulanabileceğini ve radyoloji departmanında hasta akışını ve genel bakım kalitesini nasıl iyileştirebileceğini vurgulamaktadır. Bu araştırmanın genel amacı, meme kanseri etiyolojisini ilerletmek, risk değerlendirme modellerini iyileştirmek ve kişiselleştirilmiş önleme ve tedavi yöntemlerinin geliştirilmesine yardımcı olmaktır. Ayrıca, değer akışı haritalama vaka çalışmasıyla, sağlık hizmetlerinde operasyonel verimliliğin nasıl artırılabileceğini ve kaynak tahsisinin nasıl optimize edilebileceğini göstermekteyiz. Bu tez, meme kanseri araştırmaları, klinik pratiği ve sağlık hizmeti yönetimine değerli katkılar sağlar. Tanımlanan risk faktörleri, hedefli tarama programları, erken teşhis stratejileri ve kişiselleştirilmiş müdahaleler için önemli bilgiler sunar. Değer akışı haritalama tekniklerinin kullanılması, operasyonel verimliliği artırabilir ve radyoloji departmanları ile diğer sağlık hizmeti alanlarında hasta bakımını iyileştirebilir. Sonuç olarak, bu çalışma, kadın özellikleri ile meme kanseri arasındaki ilişkiyi inceleyen kapsamlı bir araştırmadır. Makine öğrenimi tekniklerinin ve radyoloji departmanındaki değer akışı haritalama çalışmasının dahil edilmesiyle, meme kanseri araştırmaları ve sağlık yönetimi alanında bilgi birikimine önemli bir katkı sağlamıştır. Bu çalışmanın, meme kanseriyle mücadelede anlamlı bir etki yaratacağı ve hasta bakımı ve sonuçları üzerindeki gelişmeleri destekleyeceği umulmaktadır.

Özet (Çeviri)

Breast cancer is a pressing health concern that demands comprehensive research to understand its risk factors and improve patient outcomes. In this thesis, we undertake a multidimensional analysis to explore the relationship between women's properties and breast cancer occurrence. Leveraging a dataset collected from a reputable clinic, we employ advanced machine learning techniques to identify significant risk factors and develop predictive models. The ultimate goal is to enhance our understanding of breast cancer etiology and contribute to the development of targeted interventions. The thesis begins with a thorough review of existing literature on breast cancer risk factors, epidemiology, and the application of machine learning in the field. This review provides a theoretical foundation for our research and identifies gaps in knowledge, setting the stage for our investigation. We start by collecting a comprehensive dataset from the clinic, comprising anonymized patient records. The dataset encompasses a wide range of variables, including demographic information, lifestyle factors, genetic markers, and medical history. Proper data preprocessing and feature engineering techniques are applied to ensure the integrity and quality of the analysis. Next, we employ advanced machine learning algorithms such as logistic regression, decision trees and neural networks to develop predictive models. These models utilize the dataset to identify patterns and accurately predict the likelihood of breast cancer occurrence. To interpret the results and assess the significance of women's properties, we conduct in-depth analyses and comparisons with existing knowledge. The findings shed light on the influential risk factors associated with breast cancer occurrence, providing valuable insights for preventive strategies, early detection, and targeted interventions. In addition to the analysis of breast cancer risk factors, we incorporate a case study on value stream mapping in a radiology department. Value stream mapping, a lean management technique, is applied to identify bottlenecks, eliminate waste, and optimize processes in the radiology department. The case study highlights the practical application of value stream mapping in improving efficiency and patient flow, ultimately enhancing the overall quality of care in the radiology department. Through this comprehensive research, we aim to advance our understanding of breast cancer etiology, improve risk assessment models, and facilitate the development of personalized prevention and treatment approaches. Furthermore, by incorporating a case study on value stream mapping, we demonstrate the practical applicability of lean management techniques in healthcare settings. The insights gained from this thesis have implications for breast cancer research, clinical practice, and healthcare management. The identification of significant risk factors can inform targeted screening programs, early detection strategies, and personalized interventions. Additionally, the application of value stream mapping techniques can enhance operational efficiency, optimize resource allocation, and improve patient care in radiology departments and other healthcare settings. In conclusion, this thesis represents a comprehensive investigation into the relationship between women's properties and breast cancer occurrence. Through the utilization of machine learning techniques and the inclusion of a value stream mapping case study, we contribute to the growing body of knowledge in breast cancer research and healthcare management. It is our hope that this work will make a meaningful impact in the fight against breast cancer and drive advancements in patient care and outcomes.

Benzer Tezler

  1. Tez No

    778828

    Meme kanserinin iyi huylu veya kötü huylu durum tespitinde derin öğrenme modellerinin kullanılması

    Using deep learning models for breast cancer detection of become or violent conditions

    FEYZİ FERAT ATEŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABİDİN ÇALIŞKAN

  2. Tez No

    833551

    Denetimsiz derin öğrenme kullanılarak dijital meme tomosentezi görüntülerinde gürültünün giderilmesi

    Unsupervised denoising of digital breast tomosynthesis images using deep learning

    OSMAN ALPCAN ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  3. Tez No

    824451

    COOT optimizasyon algoritması temelli yapay sinir ağı modeli

    Artificial neural network model based on COOT optimization algorithm

    AYŞENUR ÖZDEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL İŞERİ

  4. Tez No

    888240

    Problem odaklı yenilikçi açıklanabilir ve hibrityapay zeka modellerinin geliştirilmesi

    Development of problem-oriented innovative explainable and hybridartificial intelligence models

    HANDE YÜKSEL BAYRAM

    Doktora

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLAL ALATAŞ

  5. Tez No

    897433

    Identification and characterization of an intronic transcript for TLE1

    TLE1 genine ait intronik bir transkriptin tanımlanması ve karakterize edilmesi

    İREM YILMAZBİLEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    BiyolojiOrta Doğu Teknik Üniversitesi

    Moleküler Biyoloji ve Genetik Ana Bilim Dalı

    PROF. DR. AYŞE ELİF ERSON BENSAN

    DR. ÖĞR. ÜYESİ EZGİ KARACA EREK

Geri Dön