Geri Dön

Hepatitis C virus prediction in machine learning

Hepatitis C virüsü makine öğrenimi teknikleri kullanarak tahmini

PDF İndir

  1. Tez No: 973862
  2. Yazar: ALHASAN SALIH IBRAHIM IBRAHIM
  3. Danışmanlar: YRD. DOÇ. DR. ABDÜL KADİR GÖRÜR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Hepatit C virüsünün enfeksiyonu, etkili ve doğru tanı yaklaşımlarının geliştirilmesini gerektirebilecek küresel ölçekte önemli bir tıbbi alan zorluğudur. Geleneksel tanı teknikleri, yaygın olarak kullanılsa da, genellikle doğruluk, erişilebilirlik ve maliyet etkinliği açısından sınırlamalara sahiptir. Bu çalışma, karaciğer HCV'sinin erken teşhisi için makine öğrenimini kullanan bir tahmin modeli önermektedir; veri kümesindeki sınıf dengesizliği sorununu ele almak için Ekstra Ağaçlar Sınıflandırıcısı ile Sentetik Azınlık Aşırı Örnekleme Tekniği bir arada kullanılmaktadır. Üç serbest erişilebilir veri seti, HCV-EGY, ILPD, HCV, hem eğitim hem de değerlendirme için kullanılmıştır, böylece çeşitli nüfus grupları arasında sağlamlık ve genelleştirilebilirlik sağlanmıştır. Bu çalışmanın modeli, hem HCV hem de HCV-EGY veri setlerinde %98 doğruluk elde ederken, ILPD %95 doğruluk elde etmiştir. geleneksel tanı yöntemlerinin performansını aşarak, erken HCV tespitini iyileştirmede makine öğreniminin etkinliğini göstermektedir. Özellik önemliliği analizi, sınıflandırma sürecini önemli ölçüde etkileyen ana biyomarkerleri belirlemek için gerçekleştirildi. Yorumlanabilirlik bileşeni, HCV enfeksiyonu ile bağlantılı biyolojik belirteçler hakkında içgörüler sunarak, tanı kriterlerinin ve tedavi stratejilerinin geliştirilmesine yardımcı olabilir. Bu çalışma, ileri düzey makine öğrenimi tekniklerinin uygulanması yoluyla klinik ortamlarda invaziv olmayan, veri odaklı tanı yöntemlerinin potansiyelini vurgulamaktadır. Sonuçlar, makine öğrenimi modellerinin HCV'nin erken teşhisinde sağlık profesyonellerine yardımcı olmak için güvenilir, verimli ve yorumlanabilir araçlar olarak işlev görebileceğini göstermektedir. Bu araştırma, tıbbi teşhislerde yapay zeka destekli metodolojiler için mevcut kanıtları güçlendirerek, daha doğru ve erişilebilir hastalık tespit çerçevelerinin geliştirilmesini kolaylaştırmaktadır.

Özet (Çeviri)

The infection of the hepatitis C virus is a considerable medical field challenge globally that can require the development of effective as well as accurate diagnostic approaches. Traditional diagnostic techniques, while widely used, often have limits when it comes to accuracy, accessibility, and cost-effectiveness. This study proposes a predictive model utilizing machine learning to early diagnose the liver HCV, utilizing the Extra Trees Classifier in conjunction with the Synthetic Minority Over-Sampling Technique to address the challenge of class imbalance within the dataset. Three freely accessible datasets, HCV-EGY, ILPD, and HCV, have been used in both training and evaluation, thereby ensuring robustness and generalisability across diverse population groups. The model of this study achieves an accuracy of 98% of both the HCV and HCV-EGY datasets, while the ILPD achieved 95%. exceeding the performance of traditional diagnostic methods and demonstrating the effectiveness of machine learning in improving early HCV detection. An analysis of feature importance was performed to determine the key biomarkers that significantly influence the classification process. The interpretability component is essential, offering insights into the biological markers linked to HCV infection, which may assist in refining diagnostic criteria and treatment strategies. This study highlights the potential of non-invasive, data-driven diagnostic methods in clinical settings through the application of advanced machine learning techniques. The results indicate that machine learning models can function as dependable, efficient, and interpretable instruments to aid healthcare professionals in the early diagnosis of HCV. This research enhances the existing evidence for AI-driven methodologies in medical diagnostics, facilitating the development of more accurate and accessible disease detection frameworks.

Benzer Tezler

  1. Tez No

    1006622

    Kronik hepatit b hastalarında sağlık okuryazarlığı ölçeği geliştirilmesi ve düzeyinin istatistiksel ve makine öğrenmesi yöntemleriyle modellenmesi

    Development of a health literacy scale in patients with chronic hepatitis b and modeling of health literacy levels using statistical and machine learning methods

    BARIŞ ELALTUNTERİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMİNE YAYLALI

  2. Tez No

    672324

    Hepatitis C virus prediction using krill herd trained artificial neural network

    Başlık çevirisi yok

    SAFA AKRAM YOUNIS YOUNIS

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  3. Tez No

    386554

    Kronik Hepatit C virus infeksiyonu uzun süreli izlem sonuçları

    Long-term follow-up results in chronic Hepatitis C virus infection

    AYHAN KAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    GastroenterolojiDokuz Eylül Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. ENDER BERAT ELLİDOKUZ

  4. Tez No

    329841

    Kalıcı viral yanıt elde edilmiş kronik hepatit c genotip 1 'li hastalarda kalıcı viral yanıtı etkileyen prediktif faktörler

    Predictive factors effecting sustained virological response in genotype 1 chronic hepatitis c

    SERCAN YLMAZI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2013

    GastroenterolojiMersin Üniversitesi

    Dahili Tıp Bilimleri Bölümü

    PROF. DR. ENGİN ALTINTAŞ

  5. Tez No

    739250

    Kronik hepatit c hastalarında pegile interferon ve ribavirin tedavisinin insülin direnci ve metabolik faktörler üzerine etkisi

    Influence of pegylated interferon and ribavirin on insulin resistance and metabolic factors in chronic hepatitis c

    ZEYNEP ALTIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2013

    İç Hastalıklarıİzmir Katip Çelebi Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. BELKIS ÜNSAL

Geri Dön