Predicting RT-PCR test outcomes with machine learning: Guided autoencoder-based imputation and clinical utility assessment
Makine öğrenmesi ile RT-PCR test sonuçlarının tahmini: yönlendirilmiş otokodlayıcı tabanlı tamamlama ve klinik fayda değerlendirmesi
- Tez No: 946855
- Danışmanlar: DR. ÖĞR. ÜYESİ CAHİT PERKGÖZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde makine öğrenmesi (ML), ilaç geliştirme, hastalık teşhis ve tahmini, tıbbi görüntü analizi ve salgın tahmini gibi çeşitli amaçlarla sağlık sektöründe yaygın olarak kullanılmaktadır. 2019 yılında ortaya çıkışından bu yana COVID-19 pandemisi, küresel sağlık açısından ciddi zorluklar yaratmıştır. Dünya Sağlık Örgütü (DSÖ) verilerine göre, COVID-19 nedeniyle 6,9 milyondan fazla kişi hayatını kaybetmiş, dünya genelinde 767 milyondan fazla doğrulanmış vaka rapor edilmiştir. Ayrıca, 12 Mayıs - 8 Haziran 2025 tarihleri arasında dünya genelinde 936 ölüm ve 359.000'den fazla yeni vaka bildirilmiştir. Bu tez üç ana bölümden oluşmaktadır. Birinci bölümde, klinik verileri kullanarak bir hastanın aktif COVID-19 enfeksiyonuna sahip olma olasılığını tahmin eden ve tedavi için en uygun sağlık kuruluşunu öneren makine öğrenmesi tabanlı modeller geliştirilmiş ve değerlendirilmiştir. Veri setinde eksik veriler bulunduğundan, ikinci bölümde çeşitli tamamlama (imputation) teknikleri uygulanmıştır. Üçüncü bölümde ise, yüksek boyutlu veri kümelerinde eksik verilerin tamamlanması için Gürültü Farkındalıklı Maskelenmiş Kayıp Fonksiyonuna sahip bir Otokodlayıcı tabanlı model önerilmektedir. Önerilen yaklaşım, yapılandırılmış gürültü ve yönlendirilmiş bir kayıp fonksiyonunu birleştirerek tamamlama doğruluğunu ve kararlılığını artırmakta, aynı zamanda orijinal veri ilişkilerini korumaktadır. Bu katkılar bir bütün olarak, sağlık alanında öngörü modellerini ve sağlam veri tamamlama süreçlerini geliştirmeyi, güncel ve gelecekteki halk sağlığı zorlukları için daha güvenilir yapay zekâ destekli karar verme mekanizmalarını desteklemeyi amaçlamaktadır.
Özet (Çeviri)
Nowadays, machine learning (ML) is widely used in the healthcare industry for various purposes, including drug development, disease diagnosis and prediction, medical imaging analysis, and outbreak forecasting. Since its emergence in 2019, the COVID-19 pandemic has posed serious challenges to global health. The World Health Organization (WHO) reports that more than 6.9 million people have died from COVID-19, and there have been over 767 million confirmed cases worldwide. Additionally, 936 fatalities and more than 359,000 new cases were reported globally between May 12 and June 8, 2025. These figures underscore the burden on healthcare systems, especially in underdeveloped countries with limited funding. This thesis is organized into three main sections. In the first section, machine learning-based models were developed and evaluated using clinical data to predict the likelihood of active COVID-19 infection and recommend the optimal medical facility for treatment. Since the dataset contains missing data, several imputation techniques are employed. The second section of this study assesses multicollinearity and its impact on the effectiveness of imputation methods, ensuring the reliability of these predictive models. In the third section, an autoencoder-based model with noise-aware masked loss for imputing missing data in high-dimensional datasets is proposed. The proposed approach combines structured noise and a guided loss function to improve imputation accuracy and stability while preserving original data relationships. Collectively, these contributions aim to enhance predictive modeling and robust data completion in healthcare, supporting more trustworthy AI-driven decision-making for current and future public health challenges.
Benzer Tezler
- Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti
Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19
MERVE BEGÜM TERZİ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Studies on the cuttability of rocks at O.A.L. Çayırhan district by laboratory cutting tests
Başlık çevirisi yok
KÜRŞAD CEYLAN
Yüksek Lisans
İngilizce
1987
Maden Mühendisliği ve MadencilikOrta Doğu Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
DOÇ. DR. NACİ BÖLÜKBAŞI
- Havuçların haşlanmasında difüzyonun modellenmesi
Başlık çevirisi yok
FİGEN KAYMAK
Yüksek Lisans
Türkçe
1986
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUZAN KINCAL
- Arpada diallel melez analizleri ile bazı tarımsal özelliklerin kalıtımı üzerinde araştırmalar
Başlık çevirisi yok
KAYIHAN Z. KORKUT
Doktora
Türkçe
1981
ZiraatEge ÜniversitesiBitki Islahı ve Genetik Ana Bilim Dalı
PROF. DR. İBRAHİM DEMİR