Breast cancer recurrence prediction with self supervised learning
Öz-denetimli öğrenme ile meme kanseri tekrarlama olasılığının tahmini
- Tez No: 981352
- Danışmanlar: DOÇ. DR. CEMAL OKAN ŞAKAR
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Meme kanseri, dünya genelinde kadınlar arasında en sık teşhis edilen kanser türü olmayı sürdürmekte ve kansere bağlı ölümlerin başlıca nedenlerinden biri olarak öne çıkmaktadır. Erken tanı ve tedavi stratejilerinde kaydedilen önemli ilerlemelere rağmen, metastaz ve nüks riskleri hâlâ ciddi klinik zorluklar oluşturmaktadır. Tedavi sonrası risk olasılıklarını öngörebilen bir model, erken tanı ve tedavinin önemine dair farkındalık yaratmayı, doktorlara postoperatif süreçte yardımcı olmayı ve hasta takibini kolaylaştırmayı amaçlamaktadır. Neyse ki, modern teknolojilerdeki ilerlemeler, nüks risklerini daha erken tahmin etmeye olanak sağlayarak daha hızlı tedavi müdahalesine imkân tanımaktadır. Tedavi sonrası kritik dönemde nüks etme olasılığı yüksek hastaların belirlenmesi, takip stratejilerini, tedavi kararlarını ve hasta sonuçlarını önemli ölçüde iyileştirebilir. Çeşitli araştırma çalışmaları, tanı doğruluğunu ve prognoz tahminlerini artırmak amacıyla makine öğrenimi tekniklerini kullanmış ve çeşitli tümörle ilişkili özellikleri bir araya getirmiştir. Bu çalışmada, meme kanısı teşhisi konmuş 1407 hastanın klinik, patolojik ve radyolojik özelliklerinden oluşan gerçek zamanlı tabular veriler kullanılarak, TabNET gibi hibrit bir öğrenme mimarisi geliştirilmiştir. Çalışmanın temel amacı, derin öğrenme yöntemlerinin meme kanseri nüksünü öngörme konusundaki etkinliğini araştırmaktır. Performans metriklerinin analizi, yapılandırılmış tabular verilere uygulandığında derin öğrenme modellerinin, dengesiz veri dağılımı gibi zorlu koşullarda bile, geleneksel makine öğrenmesi algoritmalarına kıyasla üstün tahmin performansı sergilediğini ortaya koymaktadır. Her algoritmanın çıktıları sistematik biçimde değerlendirilmiş ve model performanslarının karşılaştırmalı bir analizi sunulmuştur.
Özet (Çeviri)
Breast cancer remains the most frequently diagnosed cancer and a leading cause of cancer-related mortality among women worldwide. Despite significant advancements in early detection and treatment strategies, the risks of metastasis and recurrence continue to pose substantial clinical challenges. By predicting risk probabilities post-treatment, the model aims to raise awareness about the importance of early diagnosis and treatment, assist doctors in the post-operation period, and facilitate patient follow-up period. Fortunately, advancements in modern technologies offer increasing opportunities to anticipate recurrence risks earlier, enabling quicker therapeutic responses. Identifying patients with a high probability of relapse during critical periods after treatment can drastically improve follow-up strategies, therapeutic decisions, and patient outcomes. Numerous research efforts have utilized machine learning techniques and combined various tumor-related features to enhance diagnostic precision and prognostic accuracy. In this study, a hybrid learning architecture like TabNet, was applied to a real-world dataset comprising clinical, pathological and radiological tabular features from 1,407 breast cancer patients. The primary objective was to investigate the effectiveness of deep learning methodologies in forecasting breast cancer recurrence. The analysis of performance metrics reveals that deep learning models, when applied to structured tabular data, demonstrate superior predictive capability compared to traditional machine learning algorithms, even under conditions of class imbalance. The outcomes of each algorithm were systematically evaluated, and results were synthesized to provide a comparative assessment of model performances.
Benzer Tezler
- Kromozom radyoduyarlığının, meme ve kolon kanser hastalarındaki tedavi prognozunu belirlemedeki rolünün araştırılması
An investigation of the role of chromosomal radiosensitivity in prediction of prognosis of breast and colon cancer patients
TUĞÇE ERKOL ÖZSOY
- Meme kanserinde doku ferritin düzeyinin standart prognostik parametrelerle korelasyonu prognostik önemi
The prognostic importance of tissue ferritin level and its correlation with standard prognostic factors in breast cancer
SUAT ÜNVER
Tıpta Uzmanlık
Türkçe
1998
Endokrinoloji ve Metabolizma HastalıklarıGataİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. MUSTAFA YAYLACI
- Meme kanserli hastalarda tümör belirteçlerinin histopatolojik vedemografik özelliklerle ilişkisi ve metastaz gelişimini belirleyici rolü
The relationship between tumor markers and histopathologic and demographic features of patients with breast cancer and their distinctive role in metastatic process
MELİHA MELİN UYGUR
Tıpta Uzmanlık
Türkçe
2012
OnkolojiSağlık Bakanlığıİç Hastalıkları Ana Bilim Dalı
PROF. DR. MAHMUT GÜMÜŞ
- Predicting breast cancer by using artificial neural network
Yapay sinir ağı ile meme kanseri tahmin
AYMEN ALHASADİ
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. EROL ÖZÇELİK
- Meme kanserinde GASC1 ekspresyonu
GASC1 gen expretion in breast cancer
BAHRİ ÇAKABAY
Tıpta Uzmanlık
Türkçe
2012
Genel CerrahiAnkara ÜniversitesiGenel Cerrahi Ana Bilim Dalı
PROF. DR. SANCAR BAYAR