Pekiştirmeli öğrenmenin sağlık alanında uygulanması
Application of reinforcement learning in healthcare
- Tez No: 934024
- Danışmanlar: PROF. DR. ÇİĞDEM EROL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Sağlık Yönetimi, Computer Engineering and Computer Science and Control, Science and Technology, Healthcare Management
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Enformatik Bilim Dalı
- Sayfa Sayısı: 110
Özet
Yapay zekâ teknolojilerinin gelişimi, özellikle kronik hastalıkların yönetimi ve teşhis süreçlerinde yapay zekâ kullanımının potansiyelini önemli ölçüde artırmaktadır. Böylelikle, diyabet gibi yaygın ve karmaşık sağlık sorunlarının teşhisi ve tedavisi için daha etkili ve dinamik çözümler geliştirmek mümkün hale gelmektedir. Bu ve benzeri gelişmeler, geleneksel yöntemlere alternatif olarak yeni ve yenilikçi çözümlerin araştırılmasını zorunlu kılmakta ve araştırmacıları bu alanda derinlemesine çalışmalar yapmaya teşvik etmektedir. Bu nedenle, bu doktora tezinin temel amacı, diyabet hastalığı teşhisi için yaygın olarak kullanılan geleneksel sınıflandırma algoritmalarına alternatif olarak farklı öğrenme yöntemleri ve algoritmalarını kullanarak geliştirilen modellerin etkinliğini ve potansiyelini araştırarak pekiştirmeli öğrenmenin sağlık alanında kullanılma potansiyelini değerlendirmektir. Bu amaç doğrultusunda; veri seti, model ve güncelleme yaklaşımı olmak üzere üç faktör belirlenmiştir. Veri seti faktörü için; veri ön işleme adımları uygulanarak elde edilen 764 satırdan oluşan orijinal veri seti (“O”veri seti varyasyonu) ile random under sampling (“RUS”veri seti varyasyonu), random over sampling (“ROS”veri seti varyasyonu) ve SMOTE (“S”veri seti varyasyonu) yöntemleri ile dengelenmiş toplam dört veri seti varyasyonu oluşturulmuştur. Model faktörü için; Ayrık Doğrusal Modeller ile LinUCB algoritmasının sınıflandırma problemlerinde kullanımı için uyarlanmış modeli (“O_LinUCB”), her zaman tüm kollarda güncelleme yapılan model (“ES_LinUCB”) ve sadece kollara ait üst güven sınırlarında eşitlik olması durumunda tüm kollarda güncelleme yapan model (“OT_LinUCB”) olmak üzere toplam üç model varyasyonu oluşturulmuştur. Güncelleme yaklaşımı faktörü için ise; model performanslarının ölçüldüğü test aşamasında kullanılmak üzere, algoritmanın yapısında da bulunan çevrimiçi öğrenme yöntemi yaklaşımının kullanılıp kullanılmaması yani güncelleme yapılıp (“Var”) yapılmaması (“Yok”) olmak üzere iki güncelleme yaklaşımı varyasyonu oluşturulmuştur. Çapraz doğrulama yöntemi kullanılarak; bu üç faktöre ait varyasyonlar ile 24 farklı uygulama yapılmış ve bu faktörlerin performans değerlendirme metrik sonuçlarına olan etkisi detaylı bir şekilde analiz edilmiştir. Bu tez çalışmasının sonuçlarına göre; dengeli veri seti kullanımı (“RUS”,“ROS”,“S”) duyarlılık, kesinlik, F-ölçüsü, AUC ve Cohen kappa katsayısı metrikleri açısından oldukça önemlidir. Özellikle SMOTE tekniği ile dengelenen veri setinin (“S”), çoğu durumda en iyi duyarlılık, F-ölçüsü, AUC ve Cohen kappa katsayısı sonuçlarına ulaştığı görülmüştür. Ayrıca;“OT_LinUCB”varyasyonunun, işlem sayısı ve maliyeti açısından daha etkili olduğu belirlenmiştir. Bununla birlikte; test aşamasında da güncelleme yapılması (“Var”), özellikle dengelenmiş veri setlerinin kullanıldığı çalışmalarda etkili olmuş ve modelin genel performansını önemli ölçüde iyileştirmiştir. Bu sonuçlar, önerilen yöntemlerin diyabet teşhisi ve tedavisine yönelik modellerin geliştirilmesinde güçlü bir potansiyele sahip olduğunu göstermektedir. Ayrıca, bu çalışma diyabet hastalığının erken teşhis edilmesine yönelik stratejik çözümler geliştirilmesine ve hekimlerin iş yükünü azaltacak karar destek sistemleri geliştirilmesine katkı sağlayacaktır.
Özet (Çeviri)
The development of artificial intelligence technologies has significantly increased the potential for its use, especially in the management and diagnosis processes of chronic diseases. Thus, it has become possible to develop more effective and dynamic solutions for diagnosing and treating prevalent and complex health problems such as diabetes. These and similar developments necessitate the exploration of new and innovative solutions as alternatives to traditional methods and encourage researchers to conduct in-depth studies in this field. Therefore, the main objective of this doctoral thesis is to investigate the potential of reinforcement learning to be used in the field of healthcare by evaluating the effectiveness and potential of models developed using different learning methods and algorithms as alternatives to traditional classification algorithms widely used for the diagnosis of diabetes. For this purpose, three factors were determined: dataset, model, and update approach. For the dataset factor, four dataset variations were created: the original dataset (“O”dataset variation), consisting of 764 rows obtained through data preprocessing steps, and three balanced versions generated using random under sampling (“RUS”dataset variation), random over sampling (“ROS”dataset variation), and SMOTE (“S”dataset variation). For the model factor, three model variations were developed: the model adapted for the use of the LinUCB algorithm with Disjoint Linear Models in classification problems (“O_LinUCB”), the model in which all arms are updated at all times (“ES_LinUCB”), and the model that updates all arms only when a tie occurs in the upper confidence bounds (“OT_LinUCB”). For the update approach factor, two variations were created based on whether the online learning method, which is inherently present in the algorithm, is applied during the test phase for performance evaluation: an approach where online updates are enabled (“Present”/“Var”) and an approach where they are disabled (“Absent”/“Yok”). Using the cross-validation method, 24 different applications were performed with variations of these three factors, and the effects of these factors on the results of the performance evaluation metrics were analyzed in detail. According to the results of this thesis study, the use of balanced datasets (“RUS,”“ROS,”“S”) is highly significant in terms of sensitivity, precision, F-score, AUC, and Cohen's kappa coefficient metrics. In particular, the dataset balanced using the SMOTE technique (“S”) consistently outperformed other datasets in terms of sensitivity, F-score, AUC, and Cohen's kappa coefficient in most cases. Additionally, the“OT_LinUCB”variation has been found to be computationally more efficient, requiring fewer operations. Moreover, performing updates during the test phase (“Var”) has been particularly effective in studies using balanced datasets and has significantly improved the overall performance of the model. These results demonstrate the strong potential of the proposed methods for developing models aimed at diagnosing and treating diabetes. Moreover, this study contributes to the development of strategic solutions for the early diagnosis of diabetes and the creation of decision support systems that reduce the workload of doctors.
Benzer Tezler
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Pekiştirmeli öğrenme ile yüz görüntüsünün yüksek çözünürlükte elde edilmesi
High resolution facial image acquisition with reinforcement learning
EMRE ALTINKAYA
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- Failure prevention in robot manipulation using adversarial reinforcement learning
Çekişmeli pekiştirmeli öğrenme ile robot etkileşimlerinde hata önleme
MERT CAN KUTAY
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SANEM SARIEL UZER
- Çevrimiçi işbirlikli öğrenmenin öğrencilerin öz düzenlemelerine etkisi
The effect of online collaborative learning on students' self-regulation
UĞUR DOĞAN
Doktora
Türkçe
2025
Eğitim ve ÖğretimHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. SÜLEYMAN SADİ SEFEROĞLU
- Dual-arm safe robot manipulation with second arm assistance
Çift kollu robotlarda ikinci kol destekli güvenli robot etkileşimi
ASEL MENEKŞE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SANEM SARIEL UZER