Odyometri sonuçlarının yapay zekâ ile tanısal sınıflandırılması
Diagnostic classification of audiometry results with ai
- Tez No: 932706
- Danışmanlar: DR. ÖĞR. ÜYESİ NURİ BİNGÖL
- 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: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 78
Özet
İşitme kaybı, dünya genelinde milyonlarca insanı etkileyen önemli bir sağlık sorunudur. Erken tanı ve doğru sınıflandırma, uygun tedavi süreçlerinin belirlenmesinde kritik bir rol oynamaktadır. Odyometri testleri, işitme kaybının derecesini ve tipini belirlemeye yönelik yaygın olarak kullanılan tanısal araçlardır. Ancak, bu testlerin yorumlanması genellikle uzman odyologlar gerektirmekte ve yüksek hacimli verilerin manuel analizi hata oranlarını artırabilmektedir. Bu çalışmada, odyometri testlerinden elde edilen verilerin yapay zekâ teknikleri kullanılarak sınıflandırılması amaçlanmıştır. Çalışma kapsamında, denetimli öğrenme algoritmalarından karar ağaçları, destek vektör makineleri, rastgele orman ve XGBoost gibi yöntemler uygulanmıştır. Veri seti, işitme kaybı tipleri ile işitme kaybı derecelerini birleştirilerek detaylı bir sınıflandırma yaklaşımı ile 17 farklı kategorinin tahminlerine odaklanılmıştır. Ayrıca, dengesiz veri dağılımını dengelemek amacıyla SMOTE tekniği kullanılarak sentetik veri üretimi gerçekleştirilmiştir. Nihai model oluşturma sürecinde Bayes hiperparametre optimizasyonu yapılarak en yüksek doğruluk oranına ulaşan model belirlenmiştir. Sonuçlar, XGBoost modelinin diğer yöntemlere göre 0,9507 doğrulukla daha yüksek performans gösterdiğini ve işitme kaybını başarılı bir şekilde sınıflandırabildiğini ortaya koymuştur. Bu çalışma, yapay zekânın odyoloji alanındaki potansiyelini göstererek, işitme kaybı teşhisinde daha hızlı, güvenilir ve ölçeklenebilir bir yaklaşım sunmayı amaçlamaktadır. Ayrıca, geliştirilen sistemin klinik ortamlarda kullanımı sayesinde uzman odyologların iş yükünü azaltarak sağlık hizmetlerinin daha verimli bir şekilde sunulmasına katkı sağlayabileceği düşünülmektedir.
Özet (Çeviri)
Hearing loss is a major health problem affecting millions of people worldwide. Early diagnosis and accurate classification play a critical role in determining appropriate treatment. Audiometric tests are widely used diagnostic tools to determine the degree and type of hearing loss. However, interpretation of these tests often requires qualified audiologists, and manual analysis of large amounts of data which can increase error rates. This study aims to classify data from audiometric tests using artificial intelligence algorithms. The study used supervised learning paths such as decision trees, support vector machines, random forest, and XGBoost. The dataset focused on predicting 17 different categories with a detailed classification approach by combining hearing loss types and degrees. In addition, synthetic data generation was performed using the SMOTE technique to compensate for the unbalanced data distribution. In the final model building process, Bayesian hyperparameter optimization was performed to determine the model with the highest accuracy. The results show that the XGBoost model outperforms the other methods with an accuracy of 0.9507 and can successfully classify hearing loss. This study aims to provide a faster, reliable and scalable approach to hearing loss diagnosis by demonstrating the potential of artificial intelligence in the field of audiology. In addition, it is believed that the developed system can contribute to more efficient delivery of healthcare services by reducing the workload of expert audiologists through its use in clinical settings.
Benzer Tezler
- Görüntü işleme uygulanan odyogramların yapay sinir ağları ve koşullu ifadelerle işitme kaybı tipi ve derecesi yorumlarının karşılaştırılması
Comparison of the type and degree of hearing loss with artificial neural networks and conditional expressions of audiograms applied to image processing
YUSUF FAKİRULLAHOĞLU
Yüksek Lisans
Türkçe
2022
Kulak Burun ve Boğazİstanbul Aydın ÜniversitesiOdyoloji Ana Bilim Dalı
PROF. BAHRİYE ÖZLEM KONUKSEVEN
- Ödometre deney sonuçlarının yapay sinir ağları ile elde edilmesi
Obtaining oedometer test results using neural networks
BEKİR BUĞRA ÖZDEMİR
Yüksek Lisans
Türkçe
2002
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiGeoteknik Ana Bilim Dalı
DOÇ. DR. HÜSEYİN YILDIRIM
- Saf ses odyogram bulgularının makine öğrenmesi metotları ile değerlendirilerek muhtemel ön tanı ve öneri tahmininde bulunulması
Predicting possible preliminary diagnosis and recommendations by evaluating pure tone audiogram findings with machine learning methods
AÇELYA AYNACI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medeniyet ÜniversitesiBiyolojik Veri Bilimi Ana Bilim Dalı
PROF. DR. HANDAN ANKARALI
- Term bebeklerde sezaryan ve vajinal doğumun yenidoğan işitme testine etkisi
The effects of caesarean secti̇on and vagi̇nal deli̇very on the newborn heari̇ng test i̇n term babi̇es
NESLİHAN KOBANER CANKÖY
Tıpta Uzmanlık
Türkçe
2020
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN SALMAN
- Dolgu yükü altındaki zeminlerde konsolidasyonun sınırlandırılması
Limitation of the consolidation on soil under the embankment load
İBRAHİM KUŞKU
Doktora
Türkçe
2020
Jeoloji Mühendisliğiİstanbul Üniversitesi-CerrahpaşaJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN DALĞIÇ