Geri Dön

Açıklanabilir yapay zekâ yöntemlerine dayalı bilgisayar destekli tahmin modelinin geliştirilmesi: metabolomik teknolojileri üzerine uygulaması

Development of a computer-aided predictive model based on explainable artificial intelligence methods: application on metabolomics technologies

PDF İndir

  1. Tez No: 855806
  2. Yazar: FATMA HİLAL YAĞIN
  3. Danışmanlar: DOÇ. DR. HARİKA GÖZDE GÖZÜKARA BAĞ, DR. ÖĞR. ÜYESİ DİNÇER GÖKSÜLÜK
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Makine öğrenmesi yöntemleri, Sistem biyolojisi, Machine learning methods, Systems biology
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmanın amacı polikistik over sendromunun (PKOS) tanısında uygun metabolomik biyobelirteçlerin biyoinformatik ve yapay zekâ (AI) yaklaşımları ile saptanması, ağaç tabanlı makine öğrenme (ML) yöntemleri kullanılarak PKOS için prognostik bir modelin geliştirilmesi ve açıklanabilir AI (XAI) kullanılarak optimal modelin klinik olarak yerel ve küresel açıdan yorumlanmasıdır. Materyal ve Metot: Veri seti 22 kontrol ve 67 PKOS hastasına ilişkin serum örneklerine uygulanan metabolomik analizler sonucu elde edilen 70 metabolitten oluşmaktadır. PKOS'un moleküler alt yapısını inceleyebilmek için benzerlik ağ, kümelemeye dayalı ısı haritası ve yolak zenginleştirme analizleri uygulandı. Biyobelirteç keşfi için kat değişimi, kısmi en küçük kareler diskriminant analizi (PLS-DA) projeksiyon değişken önem (VIP) skoru, Boruta ve minimum artıklık ve maksimum alaka (MRMR) yöntemleri kullanıldı. Bu dört yöntemde ortak olan metabolitler biyobelirteç olarak belirlendi ve altı farklı ağaç tabanlı ML algoritması [rastgele orman, kategorik arttırma (CatBoost), aşırı gradyan arttırma (XGBoost), hafif gradyan artırma makinesi (LightGBM), uyarlanabilir arttırma (AdaBoost) ve doğal gradyan arttırma (NGBoost)] kullanıldı. Optimal modelin klinik açıklamaları yorumlanabilir model-agnostik açıklamalar (LIME) ve Shapley katkı açıklamaları (SHAP yöntemleri) ile incelendi. Bulgular: Taurolitokolik asit (M-H)-, Hipoksantin (M-H)-, Homovanilik asit (2M-H)-, S-Adenosil-L-Homosistein (M-H)-, Tridekanoik asit (M-H)- ve Süksinik asit (M-H)- biyobelirteç olarak belirlendi. Optimal tahmin modeli XGBoost için doğruluk, AUC ve duyarlılık ölçütleri sırasıyla %92.3, %95.4, %90.9 skoruna sahipti. LIME sonuçlarına göre %100 olasılıkla PKOS olarak tahmin edilen bir hastada özellikle Tridekanoik asit (M-H)- seviyesinin yüksek olması modelin doğru pozitif kararını açıkladı. SHAP açıklamalarında Tridekanoik asit (M-H)-, Süksinik asit (M-H)- ve Hipoksantin (M-H)- seviyelerindeki artışın, Homovanilik asit (2M-H)- ve Taurolitokolik asit (M-H)- seviyelerindeki azalmanın PKOS riskini arttırdığı gözlendi. Sonuç: Sonuç olarak XGBoost modeli PKOS'u başarılı bir şekilde tespit edebildi. Biyobelirteç metabolitlerin PKOS ile ilişkisinin anlaşılması, hastalığın moleküler düzeyde açıklanmasının yanısıra daha etkili tanı ve tedavi yöntemleri geliştirmek için önemlidir.

Özet (Çeviri)

Aim: The aim of this study was to identify metabolomic biomarkers suitable for the diagnosis of polycystic ovary syndrome (PCOS) using bioinformatics and artificial intelligence (AI) approaches, to develop a prognostic model for PCOS using tree-based machine learning (ML) methods, and to interpret the optimal model clinically locally and globally using explainable AI (XAI). Material and Method: The dataset consists of 70 metabolites obtained from metabolomic analysis of serum samples of 22 controls and 67 PCOS patients. Similarity network, clustering-based heatmap, and pathway enrichment analyses were applied to examine the molecular substructure of PCOS. For biomarker discovery, fold change, partial least squares discriminant analysis (PLS-DA), projection variable importance (VIP) score, Boruta, and minimum redundancy and maximum relevance (MRMR) methods were used. Metabolites common to these four methods were identified as biomarkers and six different tree-based ML algorithms [random forest, categorical boosting (CatBoost), extreme gradient boosting (XGBoost), light gradient boosting machine (LightGBM), adaptive boosting (AdaBoost) and natural gradient boosting (NGBoost)] were used. Clinical explanations of the optimal model were analyzed by interpretable model-agnostic explanations (LIME) and Shapley additive explanations (SHAP). Results: Taurolithocholic acid (M-H)-, Hypoxanthine (M-H)-, Homovanilic acid (2M-H)-, S-Adenosyl-L-Homocysteine (M-H)-, Tridecanoic acid (M-H)- and Succinic acid (M-H)- were identified as biomarkers. The accuracy, AUC and sensitivity measures for the optimal prediction model XGBoost were 92.3%, 95.4%, and 90.9%, respectively. The high level of Tridecanoic acid (M-H)- especially in a patient predicted as PCOS with 100% probability according to LIME results, explained the model's true positive decision. SHAP annotation showed that increased levels of Tridecanoic acid (M-H)-, Succinic acid (M-H)- and Hypoxanthine (M-H)- and decreased levels of Homovanilic acid (2M-H)- and Taurolithocholic acid (M-H)- increased the risk of PCOS. Conclusion: In conclusion, the XGBoost model was able to successfully detect PCOS. Understanding the relationship between biomarker metabolites and PCOS is important to explain the disease at the molecular level as well as to develop more effective diagnostic and therapeutic methods.

Benzer Tezler

  1. Tez No

    992767

    Yapay zekâ destekli envanter yönetim sistemlerinde kullanıcı merkezli arayüz tasarımı ve entegrasyon yöntemleri

    User-centered interface design and integration methods in artificial intelligence supported inventory management systems

    SELİN FUNDA BOL ADIYAMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE ŞATIR

  2. Tez No

    677908

    Optik koherens tomografisi görüntüleri kullanarak evrişimsel sinir ağı tabanlı retinal hastalık tespiti

    Convolutional neural network based retinal disease detection via optical coherence tomography images

    İSMAİL KAYADİBİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mühendislik BilimleriAfyon Kocatepe Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜR EMRE GÜRAKSIN

  3. Tez No

    900350

    Süreç madenciliğinde tahmine dayalı süreç izleme tekniklerinin kalitesinin açıklanabilir yapay zeka yöntemleri ile değerlendirilmesi

    Evaluation of the quality of predictive process monitoring techniques in process mining with explainable artificial intelligence methods

    SAMET CAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYÇA KOLUKISA

    DR. ÖĞR. ÜYESİ TUĞBA ERDOĞAN

  4. Tez No

    1004158

    Bulut tabanlı büyük veri platformlarında mapreduce uygulamaları için açıklanabilir yapay zeka tabanlı performans tahmin modelleri

    Explainable artificial intelligence-based performance prediction models for mapreduce applications in cloud-based big data platforms

    ŞAHİN ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Yapay Zeka Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÜMİT DEMİRBAGA

  5. Tez No

    1019588

    Statistical report generation for predictive maintenance: A benchmark of large language models

    Öngörülebilir bakım analitiklerinin raporlanması: Büyük dil modelleri için bir benchmark çalışması

    HÜSEYİN HALİD ÖZKILIÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ÜMİT DENİZ ULUŞAR

Geri Dön