Federe öğrenme tabanlı üroflovmetri patern sınıflandırması ve evde sağlık hizmetleri entegre karar destek modeli
Federated learning-based uroflowmetry pattern classification and home health services integrated decision support model
- Tez No: 945876
- Danışmanlar: DOÇ. DR. YUSUF SAİT TÜRKAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Üroloji, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering, Urology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 136
Özet
Geçen süre zarfında, sağlık sektöründe yapay zekâ (YZ) ve makine öğrenmeye (MÖ) olan ilgi katlanarak artmaktadır. Üroloji alanında yapay zekâ teknolojisinin kullanımına ilişkin çalışmalar nispeten az olduğu düşünüldüğünde, bu alanda yapılacak uygulamların karar verme aşamasında önemli bir etkisi olacaktır. Makine öğrenme modelleri geliştirebilmek için büyük verilere ihtiyaç vardır. Ancak sağlık kuruluşları, sağlam makine öğrenme modelleri geliştirebilmek için klinik kayıtları merkezi sunucularda toplamaya çabaladıkça gizlilik, veri sahipliği ve yasal kısıtlamalarla ilgili endişeler ortaya çıkmaktadır. Federe öğrenme (FÖ) yaklaşımı hassas bilgilerin paylaşılmasına gerek kalmadan birden fazla veri merkezinde modellerinin gelişmesine olanak sağlayan umut verici teknolojilerden biridir. Federe öğrenme sürecinde, model eğitimi dağıtıktır ve her cihaz kendi verilerini kullanarak yerel bir model eğitir. Daha sonra yerel modellerden elde edilen parametreler birleştirilir ve global bir model üretilmiş olur. Bu çalışmada bir üroloji polikliniğinden elde edilen üroflovmetri testi verileri kullanılarak, çocuk hastaların üroflovmetri eğrisi desenleri sınıflandırılmıştır. Sınıflandırmada federe öğrenme sistemi ile merkezi ve yerel öğrenme yaklaşımları karşılaştırılmıştır. Modellerin eğitiminde Arşimet Optimizasyon Algoritmasıyla (AOA) hiperaparemetreleri optimize edilmiş bir yapay sinir ağı mimarisi kullanılmıştır. Bulgulara göre federe öğrenme algoritamalarının merkezi öğrenmeye oldukça yakın bir sınıflandırma performansı sergilemiş ve istemci bazlı yerel öğrenmelere kıyasla daha üstün bulunmuştur. Model-Contrastive Federated Learning (MOON) algoritması ile %84 sınıflandırma doğruluğu elde edilmiştir. Çalışmada elde edilen tahmin çıktıları, evde sağlık hizmetlerine (ESH) yönelik ele alınan iki amaçlı çizelgeleme probleminde girdi olarak kullanılmış ve bu doğrultuda geliştirilen matematiksel model, ticari bir çözücü aracılığıyla kısa sürede başarılı bir şekilde çözülmüştür. Bu tez kapsamında sunulan akıllı karar destek modeli, üroloji alanında veri odaklı karar alma süreçlerine katkı sağlayarak önemli bir yenilik sunmaktadır.
Özet (Çeviri)
Over time, interest in artificial intelligence (AI) and machine learning (ML) in the healthcare sector has been growing exponentially. Considering that there are relatively few studies on the use of artificial intelligence technology in the field of urology, applications in this field will have a significant impact on decision making. Big data is needed to develop machine learning models. However, as healthcare organizations strive to collect clinical records on centralized servers to develop robust machine learning models, concerns about privacy, data ownership and legal constraints arise. Federated learning (FL) approach is one of the promising technologies that allows models to evolve across multiple data centers without the need to share sensitive information. In the federated learning process, model training is distributed and each device trains a local model using its own data. The parameters from the local models are then aggregated and a global model is constructed. In this study, uroflowmetry curve patterns of pediatric patients were classified using uroflowmetry test data obtained from a urology outpatient clinic. A federated learning system, centralized and local learning approaches are compared. An artificial neural network architecture with optimized hyperparameters using the Archimedes Optimization Algorithm (AOA) metaheuristic was used to train the models. According to the findings, federated learning algorithms exhibited a classification performance very close to centralized learning and were found to be superior to client-based local learning. The Model-Contrastive Federated Learning (MOON) algorithm achieved 84% classification accuracy. The prediction outputs obtained in the study were used as input in a bi-objective scheduling problem for home health services (HHS), and the mathematical model developed in this direction was successfully solved in a short time using a commercial solver. The intelligent decision support model presented in this thesis offers an important innovation by contributing to data-driven decision making processes in the field of urology.
Benzer Tezler
- Derin sinir ağları ile federe öğrenme tabanlı bir kötü amaçlı yazılım tespit uygulaması
A federated learning based malware detection application with deep neural networks
ZEKİ ÇIPLAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
- Detection and classification of flaws from ultrasonic tomography images of composite materials based on deep learning
Derin öğrenme tabanlı kompozit malzemelerin ultrasonik tomografi görüntülerinden kusurların tespiti ve sınıflandırılması
ABDULKADİR GÜLŞEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜNGÖR
DR. BURAK KOLUKISA
- Privacy and security enhancements of federated learning
Federe öğrenme uygulamalarında mahremiyet ve güvenlik geliştirmeleri
ŞÜKRÜ ERDAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
DR. FERHAT KARAKOÇ
- Federated anomaly detection for log-based defense systems
Log tabanlı savunma sistemleri için federe olağandışılık tespiti
UĞUR ÜNAL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiYönetim Bilimleri Ana Bilim Dalı
PROF. DR. HASAN DAĞ
- Cluster-based scoring for malicious model detection in federated learning
Federe öğrenmede zararlı modellerin tespiti için kümeleme tabanlı skorlama
CEM ÇAĞLAYAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ARDA YURDAKUL