Derin öğrenme yöntemleri kullanarak kardiyovasküler hastalıkların tahmini ve yorumlanması
Prediction and interpretation of cardiovascular diseases using deep learning methods
- Tez No: 925270
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ ÖTER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kardiyovasküler hastalıklar, küresel çapta en yaygın ölüm nedenlerinden biri olarak toplum sağlığı açısından kritik bir tehdit oluşturmaktadır. Bu durum, söz konusu hastalıkların erken teşhis ve tedavi süreçlerinin önemini her geçen gün artırmaktadır. Günümüzde, yapay zekâ algoritmaları, tıp alanında teşhis ve sınıflandırma uygulamalarında giderek daha etkili araçlar olarak öne çıkmaktadır. Bu çalışmada, kardiyovasküler hastalıkların erken teşhisinde yapay zekâ algoritmalarının etkinliği ve açıklanabilir yapay zekanın yapılan modellemelerin güvenilirliğinin arttırılması araştırılmıştır. Araştırma kapsamında, Yapay Sinir Ağları, Evrişimsel Sinir Ağları ve Uzun Kısa Süreli Bellek Ağları olmak üzere üç farklı yapay zekâ algoritması kullanılmıştır. Çalışmanın temel amacı, bu algoritmaların kardiyovasküler hastalıkların teşhisindeki performansını karşılaştırmalı olarak değerlendirmek ve açıklanabilir yapay zekâ yaklaşımlarını entegre ederek elde edilen sınıflandırma sonuçlarının daha güvenilir ve anlaşılır bir şekilde sunulmasını sağlamaktır. Elde edilen bulgular, kullanılan üç algoritmanın da benzer teşhis performansı sergilediğini ve açıklanabilir yapay zekâ yöntemleri ile desteklenen sınıflandırmaların hasta ya da sağlıklı durumlarına ilişkin ayrıntılı ve anlaşılır açıklamalar sunduğunu göstermiştir. Bu sonuçlar, yapay zekâ tabanlı modellerin kardiyovasküler hastalıkların erken teşhisinde etkili bir araç olarak kullanılabileceğini ve açıklanabilir yapay zekâ yaklaşımlarıyla klinik karar destek sistemlerine değerli katkılar sağlayabileceğini ortaya koymaktadır. Böylece, yapay zekâ ve açıklanabilir yapay zekânın entegrasyonunu ile sağlık sektöründe önemini vurgulanarak gelecekte yapılacak araştırmalarda kullanabileceği gösterilmiştir.
Özet (Çeviri)
Cardiovascular diseases pose a critical threat to public health as one of the most common causes of death globally. This situation increases the importance of early diagnosis and treatment processes of these diseases day by day. Nowadays, artificial intelligence algorithms are emerging as increasingly effective tools for diagnosis and classification applications in the medical field. In this study, the effectiveness of artificial intelligence algorithms in the early diagnosis of cardiovascular diseases and increasing the reliability of modeling with explainable artificial intelligence are investigated. Within the scope of the research, three different artificial intelligence algorithms, which are Artificial Neural Networks, Convolutional Neural Networks and Long Short-Term Memory Networks, were used. The main objective of the study is to comparatively evaluate the performance of these algorithms in the diagnosis of cardiovascular diseases and to provide a more reliable and understandable presentation of the classification results obtained by integrating explainable artificial intelligence approaches. The findings show that all three algorithms exhibit similar diagnostic performance and that the classifications supported by explainable artificial intelligence methods provide detailed and understandable explanations of the patient or healthy states. These results suggest that artificial intelligence-based models can be used as an effective tool in the early diagnosis of cardiovascular diseases and can make valuable contributions to clinical decision support systems with explainable artificial intelligence approaches. Thus, it is shown that the integration of artificial intelligence and explainable artificial intelligence can be used in future research by emphasizing its importance in the health sector.
Benzer Tezler
- Accelerated MRI sampling and reconstruction with reinforcement learning
Pekiştirmeli öğrenme ile hızlandırılmış MRG örnekleme ve geriçatımı
RURU XU
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. İLKAY ÖKSÜZ
- Bilgisayarlı görü ile derin öğrenme tabanlı temassız kan basıncı tahmini
Computer vision based deep learning driven contactless blood pressure estimaion
HASAN AYDOĞAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER AKKAŞ
- A novel approach in 3D reconstruction of coronary artery tree from 2D X-ray angiograms
2-D X-ray anjiyogramlardan koroner arter ağacının 3-D yeniden yapılandırmasında yeni bir yaklaşım
İBRAHİM ATLI
Doktora
İngilizce
2020
BiyomühendislikAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN SERDAR GEDİK
- Olasılıksal sembolik motif tanıma
Probabilistic symbolic pattern recognition
OĞUZ AKBİLGİÇ
Doktora
Türkçe
2022
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. EYLEM DENİZ HOWE
- A unified framework for secure and intelligent ECG signal processing via chaotic encryption, fully homomorphic computation and federated learning
Kaotik şifreleme, tam homomorfik hesaplama ve federatif öğrenme ile güvenli ve akıllı EKG sinyal işleme için birleşik bir çerçeve
BEYAZIT BESTAMİ YÜKSEL
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE YILMAZER METİN