Geri Dön

Alzheimer hastalığının erken teşhisi için biyomarker verilerine dayalı makine öğrenimi modellerinin geliştirilmesi

Development of machine learning models based on biomarker data for early diagnosis of alzheimer's disease

PDF İndir

  1. Tez No: 1005959
  2. Yazar: UĞUR ALŞAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ NURİ BİNGÖL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Tıbbi Biyoloji, Biyoistatistik, Mühendislik Bilimleri, Medical Biology, Biostatistics, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Üsküdar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomühendislik Ana Bilim Dalı
  12. Bilim Dalı: Biyomühendislik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışmasında, Alzheimer hastalığının erken tanısında manyetik rezonans görüntüleme (MRI) ve pozitron emisyon tomografisi (PET) gibi yüksek maliyetli görüntüleme yöntemlerine alternatif bir yaklaşım sunulmuştur. Bu kapsamda, demografik bilgiler, yaşam tarzı faktörleri, rutin kan testleri ve bilişsel test verileri kullanılarak makine öğrenmesi tabanlı karar destek modelleri geliştirilmiş ve bu modellerin Alzheimer hastalığını ayırt etmedeki performansları karşılaştırmalı olarak incelenmiştir. Çalışmada, Kaggle açık veri tabanından elde edilen 2.149 kişiye ait veriler kullanılmıştır. Veri seti; demografik , yaşam tarzı faktörleri, rutin kan testleri ve bilişsel test verilerinden oluşan 33 veri ve özellik mühendisliği yoluyla oluşturulan 7 ek veri olmak üzere toplam 40 bağımsız değişkenden oluşmaktadır. Veriler, sınıf dağılımı korunacak şekilde %70 eğitim ve %30 test grubu olarak ayrılmış; Lojistik Regresyon, K-En Yakın Komşu ve Random Forest algoritmaları 5-katlı çapraz doğrulama yöntemiyle eğitilmiştir. Modellerin başarısı doğruluk, kesinlik, duyarlılık, özgüllük, F1-skoru ve AUC değerleri kullanılarak ölçülmüştür. Random Forest modeli diğer modellere kıyasla daha yüksek performans göstermiştir. (Accuracy: %93,18; AUC: 0,9406). Ayrıca, bilişsel test verilerinin model çıktıları üzerinde belirleyici bir etkiye sahip olduğu, rutin kan test verilerinin ise daha sınırlı ancak anlamlı bir katkı sağladığı görülmüştür. Sonuç olarak, görüntüleme verisine ihtiyaç duyulmadan Alzheimer hastalığının erken teşhisine yönelik güvenilir ve maliyet-etkin makine öğrenmesi tabanlı karar destek modellerinin geliştirilebileceği ve bu modellerin birinci basamak sağlık hizmetlerinde uygulanabilir olduğu değerlendirilmiştir.

Özet (Çeviri)

The aim of this thesis was to develop a new approach for early diagnosis of Alzheimer's disease, which does not require the use of expensive imaging modalities, such as MRI and PET, and machine learning-based clinical decision support models were developed using demographic information, lifestyle factors, routine blood tests, and cognitive test data. The discrimination of individuals with Alzheimer's disease of the models was compared, and data of 2,149 subjects were obtained from an open access Kaggle database, which included 40 independent variables, of which 33 were demographic information, lifestyle factors, routine blood tests, and cognitive assessments, and 7 variables were generated by feature engineering. The data were divided into training and test sets, with 70% for training and 30% for testing, while preserving the class distribution, and Logistic Regression, K-Nearest Neighbors, and Random Forest algorithms were trained using 5-fold cross-validation. The model performances were evaluated using accuracy, precision, recall, specificity, F1-score, and AUC metrics, and of the models, the Random Forest algorithm achieved the highest performance, with an accuracy of 93.18% and an AUC of 0.9406. The results also showed that the cognitive test data had a dominant effect on the outputs of the model, while the routine blood test variables had a minor but significant effect on the model outputs. In conclusion, this thesis showed that reliable and cost-effective machine learning-based decision support models for early diagnosis of Alzheimer's disease can be developed without imaging data, and such models can be applied in primary healthcare settings.

Geri Dön