Sağlık verileri üzerinde makine öğrenmesi ile hastalık sınıflandırması: RNA-SEQ, Tiroid ve cilt kanseri uygulamaları
Disease classification on health data using machine learning: Applications on RNA-SEQ, Thyroid, and skin cancer
- Tez No: 961901
- Danışmanlar: DOÇ. DR. MELİH AĞRAZ
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez kapsamında, üç farklı sağlık verisi üzerinde gerçekleştirilen çalışmalar birleştirilerek; (i) biyoinformatik RNA-Seq böbrek karsinomu, (ii) dermoskopik cilt kanseri görüntüleri ve (iii) kan testlerine dayalı tiroit hastalıkları tablo verilerinin sınıflandırılması hedeflenmiştir. Sınıflandırma süreçlerinde ön işleme ve veri artırma teknikleri kullanılarak çeşitli makine öğrenmesi algoritmaları değerlendirilmiştir. İlk uygulamada, RNA-Seq böbrek karsinomu verisinde ön işleme yöntemlerine ek olarak doğrusal enterpolasyon, SMOTE ve mixup teknikleriyle veri artırımı uygulanmıştır. Bu veriler üzerinde MLP, GNN ve KAN modelleriyle sınıflandırma yapılmış; SMOTE ile artırılan verilerde GNN modelleri %99,47 doğruluk oranıyla en yüksek başarıyı göstermiştir. İkinci uygulamada, cilt kanseri sınıflandırması için ISIC 2019&2020 dermoskopik görüntü veri kümeleri kullanılmıştır. Görüntü ön işleme aşamasında DullRazor, histogram eşitleme ve gama düzeltme yöntemleri uygulanmış ve veri artırma ile dengesizlik giderilmiş; ardından ResNet50, VGG16 ve DenseNet121 gibi transfer öğrenme tabanlı modeller eğitilmiştir. İkili sınıflandırmada VGG16 modeli %90,17, çoklu sınıflandırmada ise %92,92 doğruluk oranı ile en başarılı performansı sergilemiştir. Üçüncü uygulamada, tiroit hastalığı sınıflandırması için UCI veri seti kullanılarak ön işleme sonrası SMOTE, GAN ve mixup teknikleriyle veri artırımı yapılmıştır. Bu aşamada, KAN, MLP, SVM ve RF gibi makine öğrenmesi algoritmalarıyla performansları analiz edilmiştir. RF modeli hem SMOTE hem de mixup tekniklerinde %99,49 doğruluk ile en yüksek başarıyı elde etmiş; GAN yöntemi uygulandığında ise %98,68 doğruluk oranı ile en iyi sonuç KAN modeli tarafından sağlanmıştır. Elde edilen sonuçlar, farklı türdeki sağlık verileri üzerinde uygulanan ön işleme ve veri artırma adımlarının, modern makine öğrenmesi yaklaşımlarının hastalık sınıflandırmasında doğruluğu önemli ölçüde artırabildiğini göstermiştir. Bu çalışmalar gelecekte sağlık alanındaki yapay zekâ uygulamaları için umut verici sonuçlar sunmaktadır.
Özet (Çeviri)
In this thesis, studies conducted on three distinct types of health data were integrated with the aim of classifying: (i) bioinformatics-based RNA-Seq data for kidney chromophobe carcinoma, (ii) dermoscopic skin cancer images, and (iii) tabular data derived from blood tests for thyroid disorders. Throughout the classification processes, various machine learning algorithms were evaluated through the application of preprocessing and data augmentation techniques. In the first study, RNA-Seq data for kidney chromophobe carcinoma were subjected to preprocessing, along with data augmentation techniques such as linear interpolation, SMOTE, and mixup. Classification was performed using MLP, GNN, and KAN models. Among these, the GNN models achieved the highest performance, with an accuracy of 99.47% on the datasets augmented through SMOTE. In the second study, ISIC 2019 & 2020 dermoscopic image datasets were used for skin cancer classification. During the image preprocessing phase, techniques such as DullRazor, histogram equalization, and gamma correction were applied, and data augmentation was employed to address class imbalance. Subsequently, transfer learning-based models including ResNet50, VGG16, and DenseNet121 were trained. The VGG16 model yielded the highest performance, achieving an accuracy of 90.17% in binary classification and 92.92% in multiclass classification tasks. In the third study, thyroid disease classification was conducted using the UCI dataset. After preprocessing, data augmentation was carried out using SMOTE, GAN, and mixup techniques. At this stage, the performance of machine learning algorithms including KAN, MLP, SVM, and RF was analyzed. The RF model achieved the highest accuracy of 99.49% under both SMOTE and mixup conditions, while the best result with the GAN-based augmentation was obtained by the KAN model, with an accuracy of 98.68%. The results demonstrate that the preprocessing and data augmentation steps applied to different types of health data, in conjunction with modern machine learning approaches, can significantly improve disease classification accuracy. These studies present promising outcomes for the future of AI applications in the field of healthcare.
Benzer Tezler
- IgM, IgG ve lgA romatoid faktörlerin değişik artritli hasta gruplarında mikro-ELISA test yöntemiyle ölçülmesi
Başlık çevirisi yok
BAHRİYE KEŞ
- Kurbağa gastrik mukozasında K-H ATPaz enziminin kinetik özellikleri ve oluşturulan ülser modelinde enzim aktivitesi
Başlık çevirisi yok
SEYHAN TÜKEL
- 1985-1986 yıllarında Polatlı Devlet Hastanesine kaza nedeniyle başvuranların incelenmesi
Başlık çevirisi yok
FERHAN ŞENOL
Yüksek Lisans
Türkçe
1986
İlk ve Acil YardımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. HİKMET PEKCAN
- Organize sanayi bölgelerinde iş güvenliği sorunlarının teknik ve bilimsel araştırılmasında bir yöntem önerisi
Başlık çevirisi yok
MEHMET ALİ YILDIRIM
Yüksek Lisans
Türkçe
1986
Çalışma Ekonomisi ve Endüstri İlişkileriGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. İBRAHİM BOYNUKALIN
- Kalkınmada öncelikli yörelerde görev yapan vali-kaymakam il ve ilçe Milli Eğitim Gençlik ve Spor Müdürlerinin ilköğretim yönetiminde karşılaştıkları güçlükler
Başlık çevirisi yok
MUSTAFA YALÇINKAYA
Yüksek Lisans
Türkçe
1987
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Yönetimi Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL ATAMAN