Derin öğrenme yöntemleri kullanılarak anne sağlığı risk analizi yapılması
Maternal health risk analysis using deep learning methods
- Tez No: 884304
- Danışmanlar: PROF. DR. HACER KARACAN
- 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: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Hamilelik döneminde kadınlar, oluşabilecek komplikasyonlar açısından yüksek risk altında bulunur. Bu riskler birçok zaman düşük ve ölümle sonuçlanmaktadır. Bu yüzden de hamilelik boyunca ve hamilelikten önce kadın sağlığı hem anne hem çocuk için önemli rol oynamaktadır. Doğumdan önce ve sonra, anne ve bebeğin sağlık takibi, oluşabilecek riskleri en aza indirmek için önemlidir. Bu kapsamda, derin öğrenmeye dayalı modeller, görüntüler, sağlık kayıtları ve zaman verileri kullanılarak komplikasyonların tahminini kolaylaştırmak gibi çok çeşitli çalışmalar yapılmış ve tıbbi görevler için kullanılmıştır. Bu çalışmada kullanılan tabular veri setine TabNet modeli uygulanarak anne sağlığı risk analizi tahminlemesi gerçekleştirilmiştir. Kullanılan veri seti Institute of Electrical and Electronics Engineers (IEEE) veri portu tarafından temin edilmiş olup, bu veri seti, 450 kayıt ve 130 öznitelik içermektedir. MSF (Mother's Significant Feature) veri setiyle yapılan çalışmada 8 farklı kategoride risk analizi yapılmaktadır. Küçük ve tabular veri setlerinde daha iyi sonuç veren TabNet yönteminden faydalanılmıştır. Çalışmadaki amaç, derin öğrenme modeli olan TabNet modelini kullanılarak klasik makine öğrenmesiyle yapılan tahminlemelerden daha yüksek doğruluk oranları bulmak ve bu sayede anne sağlığı risk analizi yaparken risk tahminleme oranlarını yükseltmektir. Yapılan deneyler sonucunda, kullanılan yöntemle doğruluk (accuracy) oranlarının erken doğum (Preterm) (+%2.2), bebekte doğumdan sonra sarılık tespiti (Jaundice) (+%0.55), sezaryen doğum (C-Section) (+%5.55), vajinal doğum (Vaginal Delivery) (+%28.6) kategorileri için arttığı, tam zamanında doğum (Fullterm) doğruluk oranının sabit kaldığı görülmüştür. Bu oranlar doğrultusunda derin öğrenme ile hamilelik döneminde anne ve bebek sağlığı açısından risk oluşturabilecek durumların doğru tahmin edilebilmesi daha da kolaylaşacak ve tıbbi olarak anne sağlığı riski azaltılabilecektir.
Özet (Çeviri)
During pregnancy, women are at high risk of complications. These risks often result in miscarriage and death. Women's health during and before pregnancy therefore plays an important role for both mother and child. Health monitoring of mother and baby, before and after birth, is important to minimize risks. In this context, deep learning-based models have been used for a wide range of medical tasks, such as facilitating the prediction of complications using images, health records and time data. In this study, the TabNet model was applied to the tabular dataset used in this study and maternal health risk analysis prediction was performed. The dataset used was provided by the Institute of Electrical and Electronics Engineers (IEEE) data port and this dataset contains 450 records and 130 attributes. In the study conducted with the MSF (Mother's Significant Feature) dataset, risk analysis is performed in 8 different categories. TabNet method, which gives better results in small and tabular datasets, was utilized. The aim of the study is to find higher accuracy rates than the predictions made by classical machine learning using the deep learning model TabNet model and thus to increase the risk prediction rates when performing maternal health risk analysis. As a result of the experiments, it was observed that the accuracy rates increased for the categories of Preterm (+2.2%), Jaundice (+0.55%), C-Section (+5.55%), Vaginal Delivery (+28.6%), while the accuracy rate for full-term birth remained constant. In line with these rates, deep learning will make it easier to accurately predict situations that may pose a risk to maternal and infant health during pregnancy and medically reduce the risk to maternal health.
Benzer Tezler
- Die wirkung der pragmalinguistik auf den daf unterricht
Edimbilimin Almanca yabancı dil dersine etkisi
HATİCE KOÇ
Yüksek Lisans
Almanca
2022
Alman Dili ve EdebiyatıNecmettin Erbakan ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
PROF. DR. HASAN YILMAZ
- Term-preterm detection using spectral estimation with machine learning and deep learning methodologies
Makine öğrenmesi ve derin öğrenme metodolojileri ile spektral kestirim kullanarak term ve preterm doğum tespitinin yapılması
DEREK KWEKU DEGBEDZUI
Yüksek Lisans
İngilizce
2020
BiyomühendislikErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET EMİN YÜKSEL
- Beden eğitimi ve spor öğretmenliği bölümü öğretim elemanlarının öğretme yaklaşımlarına yönelik görüşleri ile öğretmen adaylarının epistemolojik inançları ve öz-yeterlikleri arasındaki ilişkinin incelenmesi
Investigation of the relationship between academics' perceptions of teaching approaches and epistemological beliefs and self-efficacy of pre-service teachers of physical education and sports teaching department
AYKUT ŞAHİN
Yüksek Lisans
Türkçe
2020
Eğitim ve ÖğretimFırat ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DOÇ. DR. YUNUS EMRE KARAKAYA
- Derin öğrenme yöntemleri kullanılarak beyin tümörü tiplerinin ve sınırlarının tahminlenmesi
Prediction of brain tumor types and limits using deep learning methods
MERVE PINAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ
- Derin öğrenme yöntemleri kullanılarak Türkiye'deki depremlerin tahmini
Prediction of earthquakes in Turkey using deep learning methods
MERVE ÇELİK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL