Hastalık teşhisinde sınıflandırma ve açıklanabilir yapay zekânın kullanılması
Classification and use of explainable artificial intelligence in disease diagnosis
- Tez No: 930292
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET BİLEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Bu çalışma, hastalık teşhisinde kullanılan veri setleri üzerinde sınıflandırma algoritmalarını değerlendirerek açıklanabilir yapay zekâ tekniklerinden biri olan LIME yöntemi ile bu sınıflandırmaların açıklanabilirliğini artırmayı amaçlamaktadır. Çalışmada Alzheimer, Kalp Yetmezliği, Meme Kanseri ve Siroz hastalıklarına ait veri setleri üzerinde Lojistik Regresyon, K-En Yakın Komşu, Destek Vektör Makineleri, Karar Ağaçları ve Rastgele Orman gibi yaygın kullanılan makine öğrenmesi modelleri kullanılmıştır. Modellerin performansları doğruluk, kesinlik, geri çağırma, F1 skoru ve ROC AU gibi metriklerle değerlendirilmiştir. Açıklanabilir yapay zekâ tekniklerinden biri olan LIME yöntemi kullanılarak, her bir sınıflandırma kararının arkasındaki etmenler analiz edilerek sağlık çalışanlarına anlaşılabilir açıklamalar sunulmuştur. Çalışmanın sonuçları, Rastgele Orman ve Lojistik Regresyon gibi modellerin yüksek performans sergilediğini, ancak açıklanabilirlik açısından LIME yönteminin her bir model için önemli katkılar sağladığını göstermektedir. Gelecek çalışmalarda, daha büyük ve çeşitli veri setleri üzerinde farklı açıklanabilir yapay zekâ tekniklerinin kullanılmasıyla bu alandaki çalışmaların daha da derinleştirilmesi hedeflenmektedir.
Özet (Çeviri)
This study aims to evaluate classification algorithms on datasets used in disease diagnosis and to increase the explainability of these classifications with the LIME method, one of the explainable artificial intelligence techniques. In the study, commonly used machine learning models such as Logistic Regression, K-Nearest Neighbor, Support Vector Machines, Decision Trees and Random Forest were used on datasets belonging to Alzheimer's, Heart Failure, Breast Cancer and Cirrhosis diseases. The performances of the models were evaluated with metrics such as accuracy, precision, recall, F1 score and ROC AU. Using the LIME method, one of the explainable artificial intelligence techniques, the factors behind each classification decision were analyzed and understandable explanations were presented to healthcare professionals. The results of the study show that models such as Random Forest and Logistic Regression exhibit high performance, but LIME method provides significant contributions to each model in terms of explainability. In future studies, it is aimed to further deepen the studies in this field by using different explainable artificial intelligence techniques on larger and more diverse data sets.
Benzer Tezler
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Optik koherens tomografisi görüntüleri kullanarak evrişimsel sinir ağı tabanlı retinal hastalık tespiti
Convolutional neural network based retinal disease detection via optical coherence tomography images
İSMAİL KAYADİBİ
Yüksek Lisans
Türkçe
2021
Mühendislik BilimleriAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜR EMRE GÜRAKSIN
- Gen ifade verilerinde öznitelik seçimi ve sınıflandırma
Feature selection and classification on gene expression data
MAHMUT KAYA
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ŞAKİR BİLGE
- Biyomedikal İşaret ve Görüntülerde Görgül Kip Ayrışımı
Empirical Mode Decomposition on Biomedical Signals and Images
ÖMER FARUK KARAASLAN
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN BİLGİN
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ