Applied machine learning techniques on diseases diagnosis
Hastalık teşhı̇sı̇nde uygulamalı makı̇ne öğrenme teknı̇klerı̇
- Tez No: 935673
- Danışmanlar: DR. ÖĞR. ÜYESİ FERHAT ATASOY
- Tez Türü: Yüksek Lisans
- Konular: Sağlık Kurumları Yönetimi, Bilim ve Teknoloji, Mühendislik Bilimleri, Health Care Management, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sağlık hizmetlerinde kullanılan istatistiksel parametrelere dayalı geleneksel yöntemler hala önemini korusa da, Makine öğrenimi (ML) sağlık verilerini analiz etmek ve tıp uzmanlarını desteklemek için umut verici bir yaklaşım sunmaktadır. Bu nedenle, sunulan çalışma, kalp hastalığı, diyabet, meme kanseri ve Parkinson hastalığı gibi birden fazla hastalığın teşhisi için çeşitli denetimli makine öğrenimi modellerinin etkinliğini değerlendirmeyi amaçlamıştır. Yedi modeli değerlendirdik: Destek Vektör Makinesi (DVM), Lojistik Regresyon, K-En Yakın Komşular (KNN), Rastgele Orman, XGBoost, Gradyan Güçlendirme ve dört farklı veri kümesi üzerinde basit bir Yapay Sinir Ağı (YSA). Her model, her bir hastalığa özgü ayrı veri kümeleri üzerinde eğitilmiş ve karşılaştırılmıştır. Performans doğruluk, F1-skoru, kesinlik ve geri çağırma metrikleri kullanılarak değerlendirilmiştir. Ayrıca, her bir hastalık için model performansını iyileştirmek amacıyla Hiperparametre Ayarlama (HPA) uygulanmıştır. Bulgular, çoklu hastalık tahmininde makine öğreniminin potansiyelini göstermektedir ve modeller belirli koşullar için olağanüstü iyi performans göstermektedir: XGBoost kalp hastalığı için %98,5, Gradient Boosting diyabet için %90, YSA meme kanseri için %99 ve XGBoost Parkinson hastalığı için %98,3 doğruluk oranına ulaşmıştır. Bu sonuçlar, bireysel hastalık tahmin görevlerine göre uyarlanmış dikkatli model seçimi ihtiyacını vurgulamaktadır. Bu bulgular, belirli hastalık tahmin görevleri için uygun modellerin seçilmesinin önemini vurgulamaktadır. Kullanıcı dostu tahmini kolaylaştırmak için, kullanıcıların bir hastalık seçmesine, ilgili verileri girmesine ve seçilen modele dayalı bir tahmin almasına olanak tanıyan bir uygulama geliştirilmiştir. Bu tez, çoklu hastalık tahmini için makine öğreniminin potansiyelini vurgulamakta ve HPT ve model seçiminin önemli rolünün altını çizmektedir. Kullanıcı dostu uygulama, daha fazla geliştirme ve klinik iş akışlarına entegrasyon için bir ön çerçeve sunmaktadır.
Özet (Çeviri)
Although traditional methods based on statistical parameters used in healthcare still retain their importance, Machine Learning (ML) offers a promising approach to analyze healthcare data and support medical professionals. For this reason, the presented study aimed to evaluate the effectiveness of various supervised ML models for diagnosing multiple diseases: heart disease, diabetes, breast cancer, and Parkinson's disease. We evaluated seven models: Support Vector Machine (SVM), Logistic Regression, K-Nearest Neighbors (KNN), Random Forest, XGBoost, Gradient Boosting, and a simple Artificial Neural Network (ANN) on four different datasets. Each model was trained and compared on individual datasets specific to each disease. The Performance was evaluated using accuracy, F1-score, precision, and recall metrics. Furthermore, Hyperparameter Tuning (HPT) was implemented to refine model performance for each disease. The findings illustrate the potential of ML in multi-disease prediction, with models performing exceptionally well for specific conditions: XGBoost achieved an accuracy of 98.5% for heart disease, Gradient Boosting attained 90% for diabetes, the ANN reached 99% for breast cancer, and XGBoost achieved a 98.3% accuracy for Parkinson's disease. These outcomes highlight the need for careful model selection tailored to individual disease prediction tasks. These findings emphasize the importance of selecting appropriate models for specific disease prediction tasks. To facilitate user-friendly prediction, an application was developed, allowing users to select a disease, input relevant data, and receive a prediction based on the chosen model. This thesis highlights the potential of ML for multi-disease prediction and underscores the crucial role of HPT and model selection. The user-friendly application offers a preliminary framework for further development and integration into clinical workflows.
Benzer Tezler
- Akciğer seslerinin makine öğrenmesi yöntemleri ile sınıflandırılması
Classification of lung sounds using machine learning techniques
MAHMUD ESAD ARAR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HERMAN SEDEF
- Kalıtsal retina hastalıklarının makine öğrenmesi algoritmaları kullanılarak teşhisi
Diagnosis of hereditary retinal diseases using machine learning algorithms
GASHAM MIRZAYEV
- Kardiyovasküler hastalıklarının teşhisine yönelik makine öğrenmesi algoritmaları ile karar destek sistemi tasarımı
Decision support system design with machine learning algorithms for the diagnosis of cardiovascular diseases
AMIR KARAJ
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ
PROF. DR. ALİ SERDAR FAK
- Kronik obstrüktif akciğer hastalığı teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi
Development of a new machine learning-based method for the diagnosis of chronic obstructive pulmonary disease
ENGİN MELEKOĞLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÜMİT KOCABIÇAK
- Derin öğrenme modellerinin hücre veri seti üzerinde eğitilerek kıyaslanması ve mobil ortama uyarlanması
Comparision and mobile application of deep learning models trained on blood cell dataset
MEHMET YAVUZ
Yüksek Lisans
Türkçe
2020
BiyoteknolojiSakarya Uygulamalı Bilimler ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ZAHİD YILDIZ