Onkoloji metinlerinde duygu analizi: Makine öğrenmesi, derin öğrenme ve transformer modellerinin karşılaştırmalı incelenmesi ile hasta duygularının ortaya çıkarılması ve sağlık içgörülerinin sağlanması
Sentiment analysis in oncology texts: Revealing patient emotions and providing health insights through a comparative investigation of machine learning, deep learning, and transformer models
- Tez No: 1005227
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMET SİNAN BAŞARSLAN, DR. ÖĞR. ÜYESİ NURGÜL BULUT
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biostatistics, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Medeniyet Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Onkoloji hastalarının duygusal deneyimlerini anlamak, hasta merkezli bakım ve tedavi değerlendirmesini iyileştirmek için oldukça önemlidir. Bu tez çalışmasında, geleneksel makine öğrenimi, derin öğrenme ve transformatör tabanlı modellerin karşılaştırmalı incelemesi yapılarak hasta anlatılarından yola çıkılarak kapsamlı bir duygu analizi gerçekleştirilmesi amaçlanmıştır. Bu kapsamda, Hamza-Cherif ve ark. tarafından derlenen ve üç farklı tipte kanser tedavisi gören hastaların (Afinitor, Aromasin ve Folfox) toplamda 14.419 yapılandırılmamış yorumundan oluşan açık erişimli bir veri seti kullanılmıştır. Orijinal veri setindeki mevcut veriler etiketlenmediğinden, duygu sınıflandırması iki ayrı gruba ayrılarak (pozitif ve negatif) makine öğrenmesi gerçekleştirilmiştir. Geleneksel makine öğrenmesi yaklaşımları için, uzun hali Terim Frekansı – Ters Belge Frekansı (TF-IDF) temsilleri Lojistik Regresyon, Destek Vektör Makineleri, Rastgele Orman, Çoklu Sınıflandırmalı Naive Bayes ve Gradyan Artırma sınıflandırıcılarıyla birleştirilmiştir. Metindeki sıralı ve bağlamsal bağımlılıkları tespit etmek Tekrarlayan Sinir Ağ (RNN), Uzun Kısa Süreli Bellek Ağı (LSTM), Kapılı Tekrarlayan Birim (GRU), Çift Yönlü Uzun Kısa Süreli Bellek Ağı (Bi-LSTM) ve Çift Yönlü Kapılı Tekrarlayan Birim (Bi-GRU) dahil olmak üzere derin öğrenme modelleri kullanılmıştır. Ek olarak, bağlamsallaştırılmış dil temsillerini geliştirmek amacıyla transformatör tabanlı modeller Dönüştürücülerden Çift Yönlü Kodlayıcı Temsilleri (BERT), Sağlam Şekilde Optimize Edilmiş BERT Ön Eğitim Yaklaşımı (RoBERTa), Klinik Metinler için Çift Yönlü Kodlayıcı Temsilleri (ClinicalBERT) ve Hafifletilmiş BERT (ALBERT) mevcut veri setiyle beslenerek modellerin duyarlılığı artırılmıştır. Model performansı, doğruluk, kesinlik, duyarlılık, F1 skoru, karışıklık matrisi ve ROC eğrisi altında kalan alan (AUC) metrikleri kullanılarak değerlendirilmiştir. Deneysel sonuçlar, transformatör tabanlı modellerin hem geleneksel makine öğrenimi hem de derin öğrenme yaklaşımlarından önemli ölçüde yüksek performans gösterdiğini ortaya koymaktadır. BERT en yüksek sınıflandırma doğruluğunu elde ederken, RoBERTa en yüksek AUC puanıyla en güçlü ayırt ediciliği sağlamıştır. Derin öğrenme modelleri arasında Bi-LSTM en dengeli performansı gösterirken, destek vektör makineleri en etkili geleneksel makine öğrenimi yöntemi olarak belirlenmiştir. Bu bulgular, hasta anlatılarındaki duygusal ifadeleri doğru bir şekilde analiz etme kapsamında bağlamsal modellemenin önemini vurgulamaktadır. Ek olarak, onkoloji alanında kullanılan duygu analizi tekniklerinin karşılaştırmalı sistematik incelemesini sunmakta ve hastaların duygusal durumlarını daha iyi anlamayı sağlayarak veri temelli klinik karar destek sistemlerinin geliştirilmesinde doğal dil işleme modellerinin potansiyelini vurgulamaktadır.
Özet (Çeviri)
Understanding the emotional experiences of oncology patients is crucial for improving patient-centred care and treatment evaluation. This thesis aims to conduct a comprehensive sentiment analysis based on patient narratives by comparing traditional machine learning, deep learning, and transformer-based models. In this context, an open-access dataset compiled by Hamza-Cherif et al. was used, consisting of a total of 14,419 unstructured comments from patients undergoing three different types of cancer treatment (Afinitor, Aromasin, and Folfox). As the existing data in the original dataset was not labelled, sentiment classification was performed using machine learning, dividing the data into two separate groups (positive and negative). For traditional machine learning approaches, the long-form Term Frequency – Inverse Document Frequency (TF-IDF) representations have been combined with Logistic Regression, Support Vector Machines, Random Forest, Multi-Class Naive Bayes, and Gradient Boosting classifiers. To detect sequential and contextual dependencies in the text, Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Bidirectional Long Short-Term Memory (Bi-LSTM), and Bidirectional Gated Recurrent Unit (Bi-GRU) have been employed. Additionally, transformer-based models Bidirectional Encoder Representations from Transformers (BERT), Robustly Optimised BERT Pre-training Approach (RoBERTa), Clinical Bidirectional Encoder Representations from Transformers (ClinicalBERT), and A Lite BERT (ALBERT) were fed with the existing dataset to increase the models' fine-tuning. Model performance was evaluated using accuracy, precision, recall, weighted F1 score, confusion matrices, and the area under the receiver operating characteristic curve (ROC-AUC) metrics. Experimental results demonstrate that transformer-based models significantly outperform both traditional machine learning and deep learning approaches. BERT achieved the highest classification accuracy, while RoBERTa provided the strongest discriminative power with the highest AUC score. Among deep learning models, Bi-LSTM showed the most balanced performance, while the support vector machine was identified as the most effective traditional machine learning method. These findings highlight the importance of contextual modelling in accurately analysing emotional expressions in patient narratives. Furthermore, it presents a comparative systematic review of sentiment analysis techniques used in oncology and emphasises the potential of natural language processing models in developing data-driven clinical decision support systems by facilitating a better understanding of patients' emotional states.
Benzer Tezler
- Serviks karsinomunda ışın tedavisine yanıtın histolojik ve sitolojik belirtileri, prognozla ilişkisi
Başlık çevirisi yok
SERPİL BOZKURT
- Larenks kanserlerinin biopsi materyalinde stromal reaksiyonun histopatolojik olarak araştırılması ve prognoza etkisi
Başlık çevirisi yok
S.TOLGA ÖZGÜN
- Dudak kanserlerinde genetik ve sitogenetik çalışmalar, lokalize radyasyonun kromozomlara etkisi
Başlık çevirisi yok
M.MÜJGAN YEŞİLDAĞ
Doktora
Türkçe
1985
OnkolojiAnkara ÜniversitesiTıbbi Biyoloji Ana Bilim Dalı
PROF. DR. BEKİR SITKI ŞAYLI
- Uterus kanserlerinde lenfangiografinin değeri
Başlık çevirisi yok
BEKTAŞ YILDIRIM
Tıpta Uzmanlık
Türkçe
1982
OnkolojiTrakya ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. SELÇUK EREZ