İdiyopatik pulmoner fibrozis ilerlemesini öngören bir karar destek sistemi geliştirilmesi
Development of a decision support system for predicting the progression of idiopathic pulmonary fibrosis
- Tez No: 962783
- Danışmanlar: DOÇ. DR. MURAT GEZER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fen Bilimleri Ana Bilim Dalı
- Bilim Dalı: Enformatik Bilim Dalı
- Sayfa Sayısı: 74
Özet
İdiyopatik Pulmoner Fibrozis (İPF), etiyolojisi tam olarak anlaşılamamış, progresif seyirli ve dönüşümsüz pulmoner fibrozise yol açan, prognozu olumsuz bir interstisyel akciğer hastalığı olarak tanımlanmaktadır. Bu çalışma, İPF hastalarında Zorlu Vital Kapasite (FVC) değerlerinin zamansal progresyonunun öngörülmesi ve tahminlere ait belirsizliğin nicelleştirilmesi hedefleriyle geliştirilen iki farklı derin öğrenme yaklaşımının kapsamlı birleşik analizini gerçekleştirmektedir. Sunulan metodolojide, radyolojik görüntü analizindeki yüksek başarımlarıyla tanınan DenseNet121 mimarisinden türetilen FibroNet yapısı, akciğer Bilgisayarlı Tomografi (BT) görüntülerinden patolojik özelliklerin derinlemesine çıkarımı için ilk yaklaşımı teşkil etmiştir. İkinci yaklaşım ise, FVC tahminini gerçekleştirmek üzere hastaya özgü klinik parametreler (demografik veriler ve geçmiş FVC ölçümleri) ile görüntü tabanlı özellikleri sinerjik bir biçimde entegre eden hibrit bir Konvolüsyonel Sinir Ağı (CNN) modelini kapsamaktadır. Her iki derin öğrenme modelinin performansı, regresyon problemlerinde hem ortalama tahmin doğruluğunu hem de ilişkili belirsizliğin nicelleştirilmesini sağlayan Laplace Log Likelihood (LLL) metriği kullanılarak detaylı bir şekilde değerlendirilmiştir. Gerçekleştirilen değerlendirmeler neticesinde elde edilen LLL skorları sırasıyla -6.8368 ve -6.8484 olarak bulunmuş olup, bu değerler küresel rekabet ortamında kaydedilen en yüksek başarımlara (-6.81) dikkate değer bir yakınlık sergilemektedir. Elde edilen bulgular, derin öğrenme modellerinin klinik ve radyolojik verilerin entegrasyonu aracılığıyla İPF progresyon tahmininde kayda değer bir potansiyel taşıdığını teyit etmektedir. Bununla birlikte, önerilen modellerin, mevcut literatürdeki en üst düzey performans sergileyen yaklaşımların başarımlarının gerisinde kaldığı da tespit edilmiştir. Model performansında gözlemlenen farklılıkların, FVC değerlerinin istatistiksel dağılımlarına uygun olarak tanımlanan 'güvenli' aralıklara yönelik sistematik bir yanlılık eğilimiyle de desteklenmektedir; bu durum, modelin tahminlerine atfedilen belirsizliğin optimum düzeyde yansıtılamadığına dair çıkarımları güçlendirmektedir. Bu çalışma; çok modlu derin öğrenme yöntemlerinin İPF prognozunda uygulanabilirlik potansiyelini ortaya koymakla birlikte, özellikle hastalığın kompleks zaman serisi dinamiklerini daha etkin biçimde modelleyebilecek yaklaşımların geliştirilmesi gerekliliğine dikkat çekmektedir. Gelecek araştırmalarda, daha kapsamlı görüntü veri setlerinin kullanımı ve ileri düzey zaman serisi analiz metodolojilerinin entegrasyonu suretiyle hem tahmin doğruluğunun hem de klinik geçerliliğin artırılması hedeflenmelidir.
Özet (Çeviri)
Idiopathic Pulmonary Fibrosis (IPF) is defined as an interstitial lung disease with an etiology not fully understood, characterized by a progressive course and irreversible pulmonary fibrosis, leading to an unfavorable prognosis. This study conducts a comprehensive combined analysis of two different deep learning approaches developed with the aims of predicting the temporal progression of Forced Vital Capacity (FVC) values in IPF patients and quantifying the uncertainty associated with these predictions. In the presented methodology, the FibroNet structure, derived from the DenseNet121 architecture known for its high achievements in radiological image analysis, constituted the first approach for the in-depth extraction of pathological features from lung Computed Tomography (CT) images. The second approach encompasses a hybrid Convolutional Neural Network (CNN) model that synergistically integrates patient-specific clinical parameters (demographic data and past FVC measurements) with image-based features to perform FVC prediction. The performance of both deep learning models was evaluated in detail using the Laplace Log Likelihood (LLL) metric, which enables the combined assessment of both prediction accuracy and related uncertainties in regression problems. The LLL scores obtained as a result of the evaluations carried out were found to be -6.8368 and -6.8484 respectively, and these values exhibit a remarkable closeness to the highest achievements (-6.81) recorded in the global competitive environment. The findings obtained confirm that deep learning models hold significant potential in predicting IPF progression through the integration of clinical and radiological data. However, it has also been determined that the proposed models lag behind the achievements of the state-of-the-art approaches in the current literature. The observed differences in model performance, showing systematic deviations towards 'safe' ranges defined according to the statistical distributions of FVC values, reinforce the inferences that the uncertainty attributed to the model's predictions cannot be optimally reflected. This study, while revealing the applicability potential of multi-modal deep learning methods in IPF prognosis, particularly draws attention to the necessity of developing approaches that can model the complex time series dynamics of the disease more effectively. In future research, the aim should be to increase both prediction accuracy and clinical validity by using more comprehensive image datasets and integrating advanced time series analysis methodologies.
Benzer Tezler
- İdiyopatik pulmoner fibrozis (IPF) ve platelet kökenli büyüme faktörü reseptörü β (PDGFR-β) polimorfizmleri, arasındaki ilişki
The relationship between idiopathic pulmonary fibrosis (IPF) and platelet-derived growth factor receptor β (PDGFR-β) polymorphisms
SEREN DURAN
Yüksek Lisans
Türkçe
2021
Tıbbi BiyolojiVan Yüzüncü Yıl ÜniversitesiTıbbi Biyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA KAYA
- İdiyopatik pulmoner fibrozisin mimiklenmesi için çok fonksiyonlu dinamik mikroakışkan platform geliştirilmesi
Development of a multifunctional dynamic microfluidic platform for mimicking idiopathic pulmonary fibrosis
ECEM SAYGILI
Doktora
Türkçe
2022
BiyomühendislikEge ÜniversitesiBiyomühendislik Ana Bilim Dalı
PROF. DR. ÖZLEM YEŞİL ÇELİKTAŞ
- İdiopatik pulmoner fibrozis tanılı olgularda akciğer kanseri gelişme sıklığının ve bunu etkileyen faktörlerin belirlenmesi
İdiopatik pulmoner fibrozis tanili olgularda akciğer kanseri gelişme sikliğinin ve bunu etkileyen faktörlerin belirlenmesi
FATMA NUR KAZANKAYA ÖZTAŞ
Tıpta Uzmanlık
Türkçe
2024
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. BERNA KÖMÜRCÜOĞLU
- İdiyopatik pulmoner fibrozisli hastaların bağırsak mikrobiyota profillerinin araştırılması
Investigation of the gut microbiota profiles of patients with idiopatic pulmonary fibrosis
KERİM GÖKTÜRK
Tıpta Uzmanlık
Türkçe
2023
Göğüs HastalıklarıSelçuk ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. BAYKAL TÜLEK
- Primer hücre kültüründe, TGF-β ile oluşturulan deneysel akciğer fibrozıs modeli üzerinde yeni potansiyel antifibrotik moleküllerin etkisinin araştırılması
Investigation of the effect of new potential antifibrotic molecules on experimental lung fibrosis model induced with TGF-β in primary cell culture
HÜLYA GÜVEN
Yüksek Lisans
Türkçe
2024
Eczacılık ve FarmakolojiGaziantep ÜniversitesiSolunum Biyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİBEL DOĞRU
DOÇ. DR. SERDAR ÖZTUZCU