Sağlık alanında makine öğrenmesi yöntemlerinin uygulanması: Bir açık veri seti üzerinde modellemeler ve hastalık tahmini için risk faktörlerinin belirlenmesi
Application of machine learning methods in healthcare: Modeling on an open dataset and identification of risk factors for disease prediction
- Tez No: 983896
- Danışmanlar: DOÇ. DR. EMEK GÜLDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Genetik, Genel Cerrahi, Biyoistatistik, Genetics, General Surgery, Biostatistics
- Anahtar Kelimeler: Açıklanabilir Yapay Zekâ, Biyobelirteç, circRNA, Hepatoselüler Karsinom, Makine Öğrenmesi, SHAP, Biyoistatistik, Karsinoma-hepatoselüler, Karşılaştırmalı genomik, Veri yorumlama-istatistiksel, Explainable Artificial Intelligence, Biomarker, circRNA, Hepatocellular Carcinoma, Machine Learning, SHAP, Bioistatistics, Carcinoma-hepatocellular, Comparative genomics, Data interpretation-statistical
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, hepatoselüler karsinomun (HCC) farklı evreleri arasında circRNA ekspresyon profillerini karşılaştırarak biyobelirteç adaylarını belirlemek ve bu biyobelirteçlerin klinik karar destek sistemlerine entegrasyon potansiyelini açıklanabilir yapay zekâ (XAI) yöntemleri aracılığıyla değerlendirmektir. Materyal ve Metot: Çalışmada, açık erişimli circRNA mikrodizi verileri kullanılarak normal karaciğer dokusu, metastaz yapmamış HCC ve metastatik HCC örnekleri analiz edilmiştir. Diferansiyel ekspresyon analizi, istatistiksel yöntemler ve biyoinformatik yaklaşımlar aracılığıyla gerçekleştirilmiştir. Bulgular, görselleştirme teknikleri (UMAP, volcano, MD plot) ile desteklenmiş ve 11 farklı makine öğrenmesi algoritması üzerinde test edilmiştir. Model kararlarının şeffaf şekilde yorumlanabilmesi için SHAP tabanlı açıklanabilirlik yöntemleri uygulanmıştır. Bulgular: Analizler sonucunda her iki HCC grubuna özgü farklı circRNA imzaları belirlenmiştir. Metastatik olgularda yüksek logFC ve SHAP skorlarıyla tanımlanan circRNA'lar metastatik progresyonla ilişkili biyobelirteç adayları olarak öne çıkarken; non-metastatik grupta erken evre tümör biyolojisini yansıtan özgün moleküller saptanmıştır. Makine öğrenmesi modellerinin doğruluk ve ROC-AUC değerleri yüksek bulunmuş, SHAP analizi ile biyolojik anlamlılığı yüksek transkriptler öne çıkarılmıştır. Sonuç: Bu tez, circRNA'ların HCC'nin farklı evrelerinde moleküler imza olarak kullanılabileceğini ve XAI temelli yaklaşımların biyobelirteç keşfinde güçlü bir araç sunduğunu göstermektedir. Elde edilen bulgular, klinik karar destek sistemlerine bütünleşmiş edilebilecek güvenilir biyobelirteç adaylarının tanımlanmasına katkı sağlamaktadır. Bu yönüyle çalışma, HCC biyoinformatiğinde hem transkriptomik hem de yapay zekâ temelli metodolojileri birleştiren özgün bir çerçeve sunmaktadır.
Özet (Çeviri)
Aim: This study aimed to compare circRNA expression profiles across different stages of hepatocellular carcinoma (HCC), to identify potential biomarkers, and to evaluate their applicability in clinical decision support through explainable artificial intelligence (XAI) methods. Materials and Methods: Open-access circRNA microarray datasets were analyzed, including normal liver tissue, non-metastatic HCC, and metastatic HCC samples. Differential expression analyses were performed using statistical and bioinformatics approaches, and findings were visualized through UMAP, volcano plots, and MD plots. Eleven distinct machine learning algorithms were applied to classify groups, and SHAP-based explainability techniques were employed to ensure transparent interpretation of model decisions. Results: Distinct circRNA signatures were identified for both metastatic and non-metastatic HCC groups. In metastatic cases, circRNAs with high logFC and SHAP scores emerged as potential biomarkers associated with metastatic progression, whereas non-metastatic cases revealed specific molecular patterns reflecting early-stage tumor biology. Machine learning models demonstrated robust performance with high accuracy and ROC-AUC values, while SHAP analysis highlighted biologically meaningful transcripts contributing to classification. Conclusion: This thesis demonstrates that circRNAs may serve as stage-specific molecular signatures of HCC and highlights the utility of XAI-driven approaches in biomarker discovery. The findings contribute to identifying reliable biomarker candidates that can be integrated into clinical decision support systems, presenting a novel framework that combines transcriptomic analysis with interpretable artificial intelligence in HCC research.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Enriching predictive models using graph embeddings
Tahminleme modellerinin çizge gömmeleri kullanılarak zenginleştirilmesi
YAREN YILMAZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU
- Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease
Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı
ELİF KESKİN BİLGİÇ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DR. İNCİ ZAİM GÖKBAY
DOÇ. DR. YUSUF KAYAR