Enhanci̇ng cli̇ni̇cal deci̇si̇on support: Benchmarki̇ng machi̇ne learni̇ng and transformer models for symptom-based di̇agnosi̇s
Klinik karar desteğini geliştirme: Belirtiye dayalı tanı için makine öğrenimi ve transformer modellerinin karşılaştırmalı değerlendirmesi
- Tez No: 999449
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH KAHRAMAN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, geleneksel makine öğrenmesi modelleri ile özel olarak geliştirilmiş transformer mimarilerini titizlikle karşılaştırarak semptom tabanlı hastalık sınıflandırmasını incelemektedir. Kaggle Symptom2Disease ve Gretel Symptom-to-Diagnosis veri setleri 22 ortak hastalık sınıfına uyumlu hale getirilmiş, ayrıca 45 sınıftan oluşan TecBlic sentetik veri seti de çalışmaya dahil edilmiştir. Modeller hem alan içi hem de alanlar arası değerlendirilmiş; kelime dağarcığı değişimleri, demografik istemler ve gürültülü girdiler karşısındaki dayanıklılıkları test edilmiştir. TF–IDF ve karakter n-gramları ile eğitilen doğrusal sınıflandırıcılar (lojistik regresyon, SVM, rastgele ormanlar) güçlü temel modeller olarak öne çıkmıştır (macro-F1 ≈ 0.96–0.97). Alan spesifik transformer modelleri (BioBERT, ClinicalBERT) yoğun ince ayar gerektirmiştir: 20 epoch boyunca sınıf ağırlıklı olarak eğitilen BioBERT modeli, Kaggle test setinde macro-F1 = 0.982, Gretel→Kaggle aktarımında ise 0.970 puanı elde etmiştir. Daha büyük TecBlic veri kümesinde, sınıf ağırlıklı bir transformer modeli %98.7 doğruluk ve macro-F1 = 0.986 değerine ulaşmıştır. Basit yapısal özelliklerin (ikili semptom göstergeleri, yaş, cinsiyet) eklenmesi performansı artırmamış; ancak dikkatli ön işleme (karakter n-gramları) dayanıklılığı geliştirmiştir. Alanlar arası değerlendirmede asimetri gözlemlenmiştir: Gretel üzerinde eğitilen modeller Kaggle üzerinde daha iyi genelleşirken, tersi durumda ≈%6–7 performans düşüşü kaydedilmiştir. Optimizatör seçimi de önemli bulunmuştur (AdamP > AdamW). Genel olarak, bu bulgular sağlam klasik yöntemlerin hâlen rekabetçi olduğunu ve gelişmiş transformer ince ayarları ile kalibrasyonun klinik karar destek sistemlerinde dikkatli bir şekilde uygulanması gerektiğini vurgulamaktadır.
Özet (Çeviri)
This thesis investigates symptom-based disease classification by rigorously comparing traditional machine learning models with specialized transformer architectures. Data from the Kaggle Symptom2Disease and Gretel Symptom-to-Diagnosis datasets are harmonized into 22 common disease classes, and the TecBlic synthetic dataset (45 classes) is included. Models are evaluated in-domain and cross-domain, and robustness to vocabulary shifts, demographic prompts, and input noise is tested. Linear classifiers (logistic regression, SVM, random forests) trained on TF–IDF and character n-grams serve as strong baselines (macro-F1 ≈ 0.96–0.97). Domain-specific transformer models (BioBERT, ClinicalBERT) require extensive fine-tuning: a 20-epoch, class-weighted BioBERT run achieved macro-F1 = 0.982 on the Kaggle test set and 0.970 in a Gretel→Kaggle transfer. On the larger TecBlic corpus, a class-weighted transformer achieved 98.7% accuracy and macro-F1 = 0.986. Incorporating simple structured features (binary symptom indicators, age, gender) did not improve performance, whereas careful preprocessing (character n-grams) enhanced robustness. Cross-domain evaluation revealed asymmetry: models trained on Gretel generalized better to Kaggle than vice versa (≈6–7% drop). Optimizer choice also mattered (AdamP > AdamW). Overall, these findings underscore that robust classical baselines remain competitive, and that sophisticated transformer fine-tuning and calibration must be applied judiciously in clinical decision support.
Benzer Tezler
- Deep learning-based methods for drug synergy prediction
İlaç sinerjisi tahmini için derin öğrenme tabanlı yöntemler
HALİL İBRAHİM KURU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULLAH ERCÜMENT ÇİÇEK
DOÇ. DR. ÖZNUR TAŞTAN OKAN
- Kök hücre nakli yapılan hastalarda graft versus host hastalığının gelişiminin öngörüsünde klinik karar destek sistemlerinin kullanımı: Bir nomogram geliştirilmesi
Utilizing clinical decision support systems to predict graft-versus-host disease in patients undergoing allogeneic hematopoietic stem cell transplantation: Development of a nomogram
ASLI ÇİFTCİ
Doktora
Türkçe
2024
Sağlık Kurumları YönetimiAnkara ÜniversitesiSağlık Kurumları Yönetimi Ana Bilim Dalı
PROF. DR. ECE UĞURLUOĞLU ALDOĞAN
PROF. DR. SELAMİ KOÇAK TOPRAK
- . Klinik Karar Destek Sistemleri Bağlamında Tıpta Yapay Zekâ KullanımınınEtik Boyutları
The ethical aspects of artificial intelligence use in medicine within the context of clinical decision support systems
ORHAN ÖNDER
Doktora
Türkçe
2025
Felsefeİstanbul ÜniversitesiTıp Tarihi ve Etik Ana Bilim Dalı
PROF. DR. İLHAN İLKILIÇ
- Multiparametrik MRG'de klinik anlamlı prostat kanseri tespitinde yapay zeka destekli karar-destek sistemi
Artificial intelligence-assisted decision-support system forclinically significant prostate cancer detection in multiparametric MRI
İCLAL ELİF ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EVREN DEĞİRMENCİ
- Ruh sağlığı bilişiminde klinik uygulamalara yönelik güncel yaklaşımlar ve yenilikler: Kavramsal ve literatür incelemesi
Current approaches and innovations in clinical applications of mental health informatics: A conceptual and literature-based review
MELTEM BAYRAKTAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
PROF. DR. TÜRKER TEKİN ERGÜZEL