Geri Dön

Glioma alt tiplerinin mRNA ekspresyon verileri kullanılarak makine öğrenmesi yöntemleri ile sınıflandırılması

Classification of glioma subtypes by mRNA expression data using machine learning methods

PDF İndir

  1. Tez No: 936600
  2. Yazar: TUĞBA BUÇAN YALÇİNKAYA
  3. Danışmanlar: DOÇ. DR. BURÇİN KURT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Destek vektör makinesi, Genetik, Glioma, Makine öğrenmesi, mRNA, Sınıflama, Classification, Genetics, Glioma, Machine learning, mRNA, Support vector machine
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik 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

Gliomalar, beyin tümörleri arasında en sık görülen türlerden biridir. Histopatolojik olarak düşük dereceli ve yüksek dereceli gliomalar olmak üzere iki gruba ayrılır. Hızlı büyüme ve erken yayılım özellikleri gösteren malign (kötü huylu) bir tür olan glioblastoma multiforme (GBM), yüksek mortalite ve nüks oranlarıyla son derece agresif bir tümördür. Gliomaların kesin nedeni bilinmemekle birlikte, farklı tedavi yaklaşımlarına rağmen genellikle kötü prognoz ve nüksü kaçınılmazdır. Bu nedenle, gliomaların doğru sınıflandırılması, erken teşhisi ve etkili tedavisi büyük önem taşımaktadır. Kişiye özgü tedavi planlamasının yapılabilmesi için tümör derecesinin doğru bir şekilde belirlenmesi gerekmektedir. Bu tez çalışmasında, glioma tanısı alan hastalara ait mRNA ekspresyon verilerinden faydalanılarak tümörlerin yüksek dereceli (Glioblastoma Multiforme-GBM) ve düşük dereceli gliomalar (Low-Grade Glioma LGG) olarak sınıflandırılması amaçlanmıştır. Makine öğrenmesi, genetik verilerin moleküler seviyede analizine olanak tanıyan ve büyük veri analizi için yaygın olarak kullanılan etkili bir yöntemdir. Bu bağlamda, yapılan tez çalışmasında makine öğrenmesi yöntemlerinden olan Naive Bayes ve destek vektör makinesi kullanılmıştır. Geliştirilen en başarılı tahmin modeli %100 duyarlılık, %98 özgüllük ve %99 doğruluk değerleri ile radial tabanlı destek vektör makinesi olarak belirlenmiştir. Gliomaların alt tiplerine göre doğru sınıflandırılması sayesinde kişiye özel tedavi yaklaşımlarına katkı sağlayacaktır.

Özet (Çeviri)

Gliomas are one of the most common types of brain tumors. Histopathologically, they are divided into two groups as low-grade and high-grade gliomas. Glioblastoma multiforme (GBM), a malignant type with rapid growth and early spread, is an extremely aggressive tumor with high mortality and recurrence rates. Although the exact cause of gliomas is unknown, despite different treatment approaches, poor prognosis and recurrence are generally inevitable. Therefore, correct classification, early diagnosis and effective treatment of gliomas are of great importance. In order to make personalized treatment planning, the tumor grade must be determined correctly. In this thesis study, it is aimed to classify tumors as high-grade (Glioblastoma Multiforme-GBM) and low-grade gliomas (Low-Grade Glioma-LGG) by using mRNA expression data of patients diagnosed with glioma. Machine learning is an effective method that allows the analysis of genetic data at the molecular level and is widely used for big data analysis. In this context, Naive Bayes and support vector machine, which are machine learning methods, were used in the thesis study. The most successful prediction model developed was determined as radial-based support vector machine with 100% sensitivity, 98% specificity and 99% accuracy values. It will contribute to personalized treatment approaches thanks to the correct classification of gliomas according to their subtypes.

Geri Dön