Geri Dön

Makine öğrenimi yöntemleri ile sağkalım analizi

Survival analysis with machine learning methods

PDF İndir

  1. Tez No: 905471
  2. Yazar: AKIN ÇAĞATAY ÇALIŞKAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYŞE ÖVGÜ KINAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: 64

Özet

Sağkalım analizi veya olay-zaman analizi, bir dizi gözlemi ele alan ve bu gözlemlerle ilgi duyulan olayın meydana gelmesi için geçen süreyi tahmin etmeye çalışan istatistiksel yöntemlerdir. Sağkalım analiz yöntemleri genel olarak istatistiksel yöntemler ve makine öğrenimine dayalı yöntemler olmak üzere iki kategoriye ayrılmaktadır. Her iki yöntemin de hedefi hayatta kalma süresini tahmin etmek ve hayatta kalma süresi boyunca sağkalım olasılığını tahmin etmektir. Son yıllarda makine öğrenimi yöntemlerinin geleneksel yöntemler ile birleştirilmesi ve optimizasyonundaki gelişmeler, makine öğrenimi yöntemlerinin popülerliğini artırmaktadır. Mekanik sistemlerdeki başarısızlıklar ve özellikle tıp alanında biyolojik organizmalarda sağkalım analizlerinde yaygın olarak kullanılmaktadır. Bu çalışmada üç farklı veri seti makine öğrenimi yöntemlerinden biri olan Rastgele Sağkalım Ormanı (RSO) (Random Survival Forest) algoritması, Ekstra Sağkalım Ağaçları (ESA) (Extra Survival Trees) ve Gradyanla Güçlendirilmiş Modeller (Gradient Boosting Models) ile karşılaştırılmıştır. Kullanılan üç farklı veri setinden birinci veri setinde 859 kayıt, 27 değişken bulunurken, ikinci veri seti 9037 kayıt ile 28 değişkene sahiptir. Üçüncü veri setinde ise 14294 kayıt ile 3 farklı değişken bulunmaktadır. Kullanılan üç farklı veri setiyle, farklı örneklem boyutlarının ve farklı değişken sayılarının her bir algoritma üzerindeki etkileri incelenirken, tahminleme başarıları da ortaya koyulmuştur. Python programlama dili kullanılarak gerçekleştirilen analizler sonucunda bu veri seti için RSO algoritması, ESA algoritmasıyla yaklaşık sonuçlar elde ederken, GGM algoritmasından daha iyi bir performans göstermiştir.

Özet (Çeviri)

Survival analysis or event-time analysis are statistical methods that take a series of observations and try to estimate the time it takes for the event of interest to occur. Survival analysis methods are generally categorized into two groups: statistical methods and machine learning-based methods. The goal of both methods is to estimate the survival time and the probability of survival during the survival time. In recent years, the combination and optimization of machine learning methods with traditional approaches have led to an increase in the popularity of machine learning techniques. It is widely used in failures in mechanical systems and survival analyses in biological organisms, especially in the medical field. In this study, three different datasets were compared using Random Survival Forest (RSF), Extra Survival Trees (EST), and Gradient Boosting Models (GBM), which are among the machine learning methods. The first dataset contains 859 records and 27 variables, while the second dataset consists of 9037 records and 28 variables. The third dataset includes 14294 records with 3 different variables. The study examined the impact of different sample sizes and variable counts on each algorithm and evaluated their prediction accuracies using these three different datasets. The analysis, conducted using the Python programming language, showed that the RSF algorithm achieved similar results to the EST algorithm and performed better than the GBM algorithm for this dataset.

Benzer Tezler

  1. Tez No

    690203

    Machine learning methods for survival data

    Sağkalım verileri için makine öğrenmesi yöntemleri

    TUĞÇE PAKSOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İstatistikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. İDİL YAVUZ

  2. Tez No

    876696

    Design and development of machine learning models for disease prediction and biomarkers detection

    Hastalık tahmini ve biyobelirteçlerin tespiti için makine öğrenim modellerinin tasarımı ve geliştirilmesi

    MUSTAFA TEMİZ

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURCU GÜNGÖR

    PROF. DR. MALİK YOUSEF

  3. Tez No

    539631

    Makine öğrenimi yöntemlerini kullanarak evre III invaziv duktal karsinomlu hasta verilerinin sınıflandırılması

    Classification of patients with stage III invasive ductal carcinoma using machine learning methods

    EMRE DİRİCAN

    Doktora

    Türkçe

    Türkçe

    2019

    Bilim ve TeknolojiDicle Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. ZEKİ AKKUŞ

  4. Tez No

    750630

    Makine öğrenmesi yöntemleriyle kanser ile ilgili yeni biyobelirteçlerin tespit edilmesi

    Identification of novel systems biomarkers for cancer diagnosis using machine learning techniques

    FIRAT KURT

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA AĞAOĞLU

    PROF. DR. KAZIM YALÇIN ARĞA

  5. Tez No

    901045

    Development of a biomarker panel for the differential diagnosis of muscle-invasive and non-muscle-invasive bladder cancer

    Kasa invaziv ve kasa invaziv olmayan mesane kanserinin ayırıcı tanısı için bir biyomarker panelinin geliştirilmesi

    ÖZDEN ÖZ

    Doktora

    İngilizce

    İngilizce

    2024

    GenetikDokuz Eylül Üniversitesi

    Genom Bilimleri ve Moleküler Biyoteknoloji Ana Bilim Dalı

    PROF. DR. ŞERİF ŞENTÜRK

    PROF. DR. MEHMET ÖZTÜRK

Geri Dön