Applied machine learning techniques on diseases diagnosis
Hastalık teşhı̇sı̇nde uygulamalı makı̇ne öğrenme teknı̇klerı̇
- Tez No: 935673
- Danışmanlar: DR. ÖĞR. ÜYESİ FERHAT ATASOY
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Sağlık Kurumları Yönetimi, Science and Technology, Engineering Sciences, Health Care Management
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Sağlık hizmetlerinde kullanılan istatistiksel parametrelere dayalı geleneksel yöntemler hala önemini korusa da, Makine öğrenimi (ML) sağlık verilerini analiz etmek ve tıp uzmanlarını desteklemek için umut verici bir yaklaşım sunmaktadır. Bu nedenle, sunulan çalışma, kalp hastalığı, diyabet, meme kanseri ve Parkinson hastalığı gibi birden fazla hastalığın teşhisi için çeşitli denetimli makine öğrenimi modellerinin etkinliğini değerlendirmeyi amaçlamıştır. Yedi modeli değerlendirdik: Destek Vektör Makinesi (DVM), Lojistik Regresyon, K-En Yakın Komşular (KNN), Rastgele Orman, XGBoost, Gradyan Güçlendirme ve dört farklı veri kümesi üzerinde basit bir Yapay Sinir Ağı (YSA). Her model, her bir hastalığa özgü ayrı veri kümeleri üzerinde eğitilmiş ve karşılaştırılmıştır. Performans doğruluk, F1-skoru, kesinlik ve geri çağırma metrikleri kullanılarak değerlendirilmiştir. Ayrıca, her bir hastalık için model performansını iyileştirmek amacıyla Hiperparametre Ayarlama (HPA) uygulanmıştır. Bulgular, çoklu hastalık tahmininde makine öğreniminin potansiyelini göstermektedir ve modeller belirli koşullar için olağanüstü iyi performans göstermektedir: XGBoost kalp hastalığı için %98,5, Gradient Boosting diyabet için %90, YSA meme kanseri için %99 ve XGBoost Parkinson hastalığı için %98,3 doğruluk oranına ulaşmıştır. Bu sonuçlar, bireysel hastalık tahmin görevlerine göre uyarlanmış dikkatli model seçimi ihtiyacını vurgulamaktadır. Bu bulgular, belirli hastalık tahmin görevleri için uygun modellerin seçilmesinin önemini vurgulamaktadır. Kullanıcı dostu tahmini kolaylaştırmak için, kullanıcıların bir hastalık seçmesine, ilgili verileri girmesine ve seçilen modele dayalı bir tahmin almasına olanak tanıyan bir uygulama geliştirilmiştir. Bu tez, çoklu hastalık tahmini için makine öğreniminin potansiyelini vurgulamakta ve HPT ve model seçiminin önemli rolünün altını çizmektedir. Kullanıcı dostu uygulama, daha fazla geliştirme ve klinik iş akışlarına entegrasyon için bir ön çerçeve sunmaktadır.
Özet (Çeviri)
Although traditional methods based on statistical parameters used in healthcare still retain their importance, Machine Learning (ML) offers a promising approach to analyze healthcare data and support medical professionals. For this reason, the presented study aimed to evaluate the effectiveness of various supervised ML models for diagnosing multiple diseases: heart disease, diabetes, breast cancer, and Parkinson's disease. We evaluated seven models: Support Vector Machine (SVM), Logistic Regression, K-Nearest Neighbors (KNN), Random Forest, XGBoost, Gradient Boosting, and a simple Artificial Neural Network (ANN) on four different datasets. Each model was trained and compared on individual datasets specific to each disease. The Performance was evaluated using accuracy, F1-score, precision, and recall metrics. Furthermore, Hyperparameter Tuning (HPT) was implemented to refine model performance for each disease. The findings illustrate the potential of ML in multi-disease prediction, with models performing exceptionally well for specific conditions: XGBoost achieved an accuracy of 98.5% for heart disease, Gradient Boosting attained 90% for diabetes, the ANN reached 99% for breast cancer, and XGBoost achieved a 98.3% accuracy for Parkinson's disease. These outcomes highlight the need for careful model selection tailored to individual disease prediction tasks. These findings emphasize the importance of selecting appropriate models for specific disease prediction tasks. To facilitate user-friendly prediction, an application was developed, allowing users to select a disease, input relevant data, and receive a prediction based on the chosen model. This thesis highlights the potential of ML for multi-disease prediction and underscores the crucial role of HPT and model selection. The user-friendly application offers a preliminary framework for further development and integration into clinical workflows.
Benzer Tezler
- Beyin tümörlerinin MR görüntüleri üzerinden derin öğrenme yöntemiyle tespiti ve sınıflandırması
Determination and classification of brain tumors on MR images by deep learning method
MERVE KÖRDEMİR
Yüksek Lisans
Türkçe
2021
BiyomühendislikAkdeniz ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET BOZKURT
DOÇ. DR. KERİM KÜRŞAT ÇEVİK
- Biyomedikal sinyallerin makine öğrenmesi teknikleri kullanılarak sınıflandırılması
Classification of biomedical signals by machine learning techniques
NARİN ASLAN
Doktora
Türkçe
2024
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GONCA ÖZMEN KOCA
PROF. DR. ŞENGÜL DOĞAN
- Fuzzy techniques in image processing for risk assessment of skin diseases
Deri hastalıklarının risk değerlendirmesi için görüntü işlemede bulanık teknikler
İSMAİL CANOĞLU
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. EMEL KURUOĞLU KANDEMİR
- Yapay zeka teknikleri ile COVID-19 hastalık tahmini
COVID-19 disease prediction with artificial intelligence techniques
ABDULLAH TÜRKER TOKU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERHAT ATASOY
- Evaluating effects of denoising and feature extraction methods on classification of EMG signals
Başlık çevirisi yok
ERCAN GÖKGÖZ
Doktora
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolInternational Burch UniversityPROF. DR. ABDULHAMİT SUBAŞI