Automatic antibiotic susceptibility and antibiogram prediction with machine learning methods
Makine öğrenmesi metodları ile otomatik antibiyotik duyarlılığı ve antibiogram tahmini
- Tez No: 920998
- Danışmanlar: PROF. DR. EBRU SEZER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Antimikrobiyal direnç, günümüzde küresel bir sağlık sorunudur ve gelecekte ise daha büyük bir sağlık sorunu olma potansiyeline sahiptir. İlk antibiyotiklerin keşfinden bu yana patojenler, antimikrobiyallere karşı çeşitli direnç mekanizmaları geliştirmiştir. Günümüzde bu direnç mekanizmalarının genetik yapısını anlamamızı sağlayan teknolojiler geçmişe göre en kabiliyetli hallerine gelmiştir. Bu tezde, patojenlerin genetik verilerini makine öğrenmesi metodları ile birleştirerek, antibiyotik direncini tespit edebilen, ve elde edilen verilerle antibiyogramlar oluşturmak için bir çoklu model yöntemi olan ASAP (Antibiyotik Hassaslığı ve Antibiyogram Tahmini) sunulmuştur. Tez kapsamında, Evrişimsel Sinir Ağları, Rastgele Orman, XGBoost, LightGBM, CatBoost gibi modellerin de bulunduğu 10 farklı makine öğrenmesi modeli eğitilmiş, test edilmiş ve kıyaslanmıştır. Veri ön işleme adımında, özellik çıkarımı için farklı n-gram kodlama metodları incelenmiştir. Modellerin değerlendirilmesinde; doğruluk (accuracy), geri çağırma (recall), kesinlik (precision) ve F1 skorları kullanılmıştır. Sonuçlar gösterir ki, modellerin gen sekansından antibiyotik direnci testpitini 0.99' a varan doğrulukla ve 0.90 üzeri makro geri çağırma skoru ile tahmin edebilmektedir. Modeller arasından en iyi performans gösteren model, 0.99 doğruluk oranı ile XGBoost, en zayıf performans gösteren model is 0.89 doğruluk ile Naive Bayes modeli olmuştur. Önerilen bu yöntem, halihazırda manuel olarak oluşturulan ve güncellenen antibiyogram süreçlerini otomatikleştirerek, sağlık profesyonellerine daha az ampirik ve geniş spektrumlu antibiyotik tedavisisi önerisi sunmaları için bir karar destek sistemi sunmayı hedeflemektedir. Böylece antibiyotik direçli bakteri kaynaklı hastalıklarında tedavisindeki sürecin kısaltılması ve tedavi maliyetlerinin azaltmasını hedefler. Yapılan çalışmalarda makine öğrenmesi modellerinin gen sekansları ile birleştirildiğinde, sağlık hizmetleri alanında bir karar destek aracı ve aynı zamanda antibiyotik dirençli patojenlerin takibinde bir araç olabileceğini göstermektedir.
Özet (Çeviri)
Antimicrobial resistance (AMR) is a global health problem that poses a threat for now and poses an even greater threat for the future. Since the discovery of the first antibiotics, pathogens have developed different mechanisms of resistance against antibiotics. Today, the technology to understand the mechanisms of AMR and their genomics is more competent than ever. This thesis provides a wide range of information about using genomic data combined with machine learning for predicting antibiotic resistance and proposes a multi-model approach ASAP (Antibiotic Susceptibility and Antibiogram Prediction) for creating antibiograms. In this work, 10 different machine learning models, including Convolutional Neural Network, Nearest Neighbor, Random Forest, XGBoost, CatBoost, Naive Bayes, Support Vector Machines, Light Gradient Boosting Machine, Gradient Boost, and Logistic Regression, have been tested, evaluated, and compared for their predictive capabilities. For data preprocessing, different methods of feature extraction through n-gram encoding have been tested. For the evaluation of the models, accuracy, recall, precision, and F1 scores are used. Experiments show that models can predict the antibiotic resistance of a given pathogen sequence with up to 0.99 accuracy and 0.90+ macro average recall. The best performing model for this work has been XGBoost with 0.99 accuracy, and the least predictive model has been Naive Bayes with 0.89 accuracy. The proposed method aims to improve the current manual antibiogram creation and maintenance process and to provide healthcare professionals with valuable data for less empirical and broad-spectrum antibiotic prescribing, saving time of treatment and cost caused by AMR pathogens. This thesis shows that machine learning combined with gene sequencing can serve as a supporting tool for healthcare practices and as a surveillance tool.
Benzer Tezler
- 1,3-difenil-4,5-bis(hidroksiimino)-imidazolidin ve Ni(II), Cu(II), Pd(II), UO2(VI) komplekslerinin sentezi
Başlık çevirisi yok
VEFA AHSEN
Doktora
Türkçe
1984
Kimya MühendisliğiUludağ ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZER BEKAROĞLU
- Üniversitelerdeki öğrenci işlerinin mikrobilgisayarlar yardımı ile çözümlenmesine ilişkin bir araştırma
Başlık çevirisi yok
SAİT ESLEK
Yüksek Lisans
Türkçe
1985
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. HALİL ŞENGONCA
- Kısa zincirli bazı alkil aromatik hidrokarbonların yüzey aktif madde olarak kullanım alanlarının incelenmesi
Performance of short-chain alkyl aromatic sulphonates in light duty foaming detersents
BİKEM ÖVEZ
- Elma suyu aroma maddeleri üzerine çalışmalar
Başlık çevirisi yok
DOĞAN YÜKSEL
Yüksek Lisans
Türkçe
1986
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. COŞKAN ILICALI
- Design and implementation of an automated examination system
Başlık çevirisi yok
MUSTAFA TÜTÜNCÜ
Yüksek Lisans
İngilizce
1987
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. BÜLENT EPİR