Makine öğrenmesi yöntemleri ile kanser hastalığı teşhisi
Cancer disease diagnosis with machine learning methods
- Tez No: 886030
- Danışmanlar: PROF. DR. PINAR KIRCI, DR. ÖĞR. ÜYESİ TOLGA ENSARİ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyoistatistik, Matematik, Computer Engineering and Computer Science and Control, Biostatistics, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mühendislik Bilimleri Ana Bilim Dalı
- Bilim Dalı: Mühendislik Bilimleri Bilim Dalı
- Sayfa Sayısı: 115
Özet
Son yıllarda Yapay Zekâ 'da yaşanan ilerlemeler ve keşiflerle birlikte Yapay Zekâ kavramını hayatın hemen hemen her alanında kullanılmaya başlanmıştır. Yapay Zekanın bir alt dalı olarak adlandırılan makine öğrenmesi alanında yapılan çalışmaların artmasıyla birlikte bu çalışmaların özellikle sağlık alanındaki sayısı oldukça artmıştır. Özellikle günümüzde kanser hastalığından ölen insan sayısının her geçen gün artmasıyla, bu alanda gerçekleştirilen makine öğrenmesi çalışmalarının önemi artmaktadır. Kanserin erkenden ve doğru bir şekilde teşhis edilebilmesi, kanserin tedavi edilebilmesi ve hayatta kalma ihtimalinin artması açısından önem teşkil etmektedir. Bu çalışmada dört farklı meme kanseri veri seti üzerinde meme kanseri teşhisi ve sınıflandırması için makine öğrenmesi uygulamaları gerçekleştirilmiştir. Birinci veri setinde TBA, LDA ve t-SNE boyut azaltma teknikleri ve Lojistik Regresyon, Destek Vektör Makineleri, Rastgele Orman, Naive Bayes, Gradyan Artırma, k-En Yakın Komşu, Karar Ağacı, AdaBoost, Ekstra Gradyan Artırma, Ekstra Gradyan Artırma (Rastgele Orman) makine öğrenmesi yöntemleri kullanılmıştır. İkinci veri setinde Rastgele Örnekleme (ROS) ve SMOTE yeniden örnekleme teknikleri ve Rastgele Orman, AdaBoost, Gradyan Artırma, k-En Yakın Komşu, Karar Ağacı, Naive Bayes, Lojistik Regresyon, Destek Vektör Makineleri ve Ekstra Gradyan Artırma makine öğrenmesi yöntemleri uygulanmıştır. Üçüncü veri setinde RFE, RFECV ve SelectKBest özellik seçim yöntemleri, yeniden örnekleme teknikleri ve çeşitli makine öğrenmesi yöntemleri kullanılmıştır. Dördüncü veri setinde hiper parametre optimizasyon yöntemlerinden olan Izgara Arama ve Rastgele Arama uygulandıktan sonra çeşitli makine öğrenmesi yöntemlerinin analizi gerçekleştirilmiştir. Dört farklı meme kanseri veri setinde farklı uygulamalar gerçekleştirilmiş olup, boyut azaltma, yeniden örnekleme, özellik seçimi ve hiper parametre optimizasyonunun sınıflandırma yöntemlerinin sonuçlarına etkisi araştırılmıştır. Çalışmada kullanılan farklı teknikler ve yöntemler birbirleriyle ve diğer literatür çalışmalarıyla karşılaştırılmıştır.
Özet (Çeviri)
The advances and discoveries in Artificial Intelligence in recent years, the concept of Artificial Intelligence has started to be used in almost all fields of life. The number of studies in machine learning, a sub-branch of artificial intelligence, has significantly increased, especially in the field of healthcare. Today, with the increasing number of people dying from cancer, the significance of machine learning studies in this field is growing. Early and accurate cancer diagnosis is crucial for effective treatment and improving survival rates. This study focused on using machine learning techniques for diagnosing and classifying breast cancer using four different datasets. In the first dataset, PCA, LDA, and t-SNE dimensionality reduction techniques and Logistic Regression, Support Vector Machines, Random Forest, Naive Bayes, Gradient Boost, k-nearest Neighbor, Decision Tree, AdaBoost, Extra Gradient Boosting, and Extra Gradient Boost (Random Forest) machine learning methods were used. In the second dataset, Random Sampling and SMOTE resampling techniques were applied and Random Forest, AdaBoost, Gradient Boosting, k-Nearest Neighbor, Decision Tree, Naive Bayes, Logistic Regression, Support Vector Machines and Extra Gradient Boosting machine learning methods were applied. RFE, RFECV, and SelectKBest feature selection methods, resampling techniques, and various machine learning methods were used in the third dataset. In the fourth dataset, GridSearchCV and RandomizedSearchCV, which are hyper parameter optimization methods, were applied, followed by the analysis of various machine learning methods. Different applications were performed on four different breast cancer datasets, and the effects of dimensionality reduction, resampling, feature selection, and hyper parameter optimization on the results of classification methods were investigated. The different techniques and methods used in the study are compared with each other and with other literature studies.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile kanser hastalığı takibi
Cancer disease tracking with machine learning methods
CANER BOZKURT
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUNÇ AŞUROĞLU
- Tıbbi görüntü işleme ve derin öğrenme yöntemleriyle hastalıklarda teşhis otomasyon modeli
Diagnostic automation model in diseases with medical image processing and deep learning methods
MUSTAFA GÜLER
Doktora
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-CerrahpaşaEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERSİN NAMLI
DOÇ. DR. RAMAZAN ÜNLÜ
- Skin lesion classification with machine learning
Makine öğrenmesi ile cilt lezyonu sınıflandırması
ESRA SENDEL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Kollektif makine öğrenmesi metodları ile göğüs kanseri teşhisi
Breast cancer diagnosis using ensemble machine learning methods
FULYA AKCAN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
- Histopatolojik görüntülerin makine öğrenmesi yöntemleri ile analizi
Analysis of histopathological images via machine learning methods
ABDÜLKADİR ALBAYRAK
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN