Federe öğrenme tabanlı üroflovmetri patern sınıflandırması ve evde sağlık hizmetleri entegre karar destek modeli
Federated learning-based uroflowmetry pattern classification and home health services integrated decision support model
- Tez No: 945876
- Danışmanlar: DOÇ. DR. YUSUF SAİT TÜRKAN
- Tez Türü: Doktora
- Konular: Üroloji, Endüstri ve Endüstri Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Urology, Industrial and Industrial Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Geçen süre zarfında, sağlık sektöründe yapay zekâ (YZ) ve makine öğrenmeye (MÖ) olan ilgi katlanarak artmaktadır. Üroloji alanında yapay zekâ teknolojisinin kullanımına ilişkin çalışmalar nispeten az olduğu düşünüldüğünde, bu alanda yapılacak uygulamların karar verme aşamasında önemli bir etkisi olacaktır. Makine öğrenme modelleri geliştirebilmek için büyük verilere ihtiyaç vardır. Ancak sağlık kuruluşları, sağlam makine öğrenme modelleri geliştirebilmek için klinik kayıtları merkezi sunucularda toplamaya çabaladıkça gizlilik, veri sahipliği ve yasal kısıtlamalarla ilgili endişeler ortaya çıkmaktadır. Federe öğrenme (FÖ) yaklaşımı hassas bilgilerin paylaşılmasına gerek kalmadan birden fazla veri merkezinde modellerinin gelişmesine olanak sağlayan umut verici teknolojilerden biridir. Federe öğrenme sürecinde, model eğitimi dağıtıktır ve her cihaz kendi verilerini kullanarak yerel bir model eğitir. Daha sonra yerel modellerden elde edilen parametreler birleştirilir ve global bir model üretilmiş olur. Bu çalışmada bir üroloji polikliniğinden elde edilen üroflovmetri testi verileri kullanılarak, çocuk hastaların üroflovmetri eğrisi desenleri sınıflandırılmıştır. Sınıflandırmada federe öğrenme sistemi ile merkezi ve yerel öğrenme yaklaşımları karşılaştırılmıştır. Modellerin eğitiminde Arşimet Optimizasyon Algoritmasıyla (AOA) hiperaparemetreleri optimize edilmiş bir yapay sinir ağı mimarisi kullanılmıştır. Bulgulara göre federe öğrenme algoritamalarının merkezi öğrenmeye oldukça yakın bir sınıflandırma performansı sergilemiş ve istemci bazlı yerel öğrenmelere kıyasla daha üstün bulunmuştur. Model-Contrastive Federated Learning (MOON) algoritması ile %84 sınıflandırma doğruluğu elde edilmiştir. Çalışmada elde edilen tahmin çıktıları, evde sağlık hizmetlerine (ESH) yönelik ele alınan iki amaçlı çizelgeleme probleminde girdi olarak kullanılmış ve bu doğrultuda geliştirilen matematiksel model, ticari bir çözücü aracılığıyla kısa sürede başarılı bir şekilde çözülmüştür. Bu tez kapsamında sunulan akıllı karar destek modeli, üroloji alanında veri odaklı karar alma süreçlerine katkı sağlayarak önemli bir yenilik sunmaktadır.
Özet (Çeviri)
Over time, interest in artificial intelligence (AI) and machine learning (ML) in the healthcare sector has been growing exponentially. Considering that there are relatively few studies on the use of artificial intelligence technology in the field of urology, applications in this field will have a significant impact on decision making. Big data is needed to develop machine learning models. However, as healthcare organizations strive to collect clinical records on centralized servers to develop robust machine learning models, concerns about privacy, data ownership and legal constraints arise. Federated learning (FL) approach is one of the promising technologies that allows models to evolve across multiple data centers without the need to share sensitive information. In the federated learning process, model training is distributed and each device trains a local model using its own data. The parameters from the local models are then aggregated and a global model is constructed. In this study, uroflowmetry curve patterns of pediatric patients were classified using uroflowmetry test data obtained from a urology outpatient clinic. A federated learning system, centralized and local learning approaches are compared. An artificial neural network architecture with optimized hyperparameters using the Archimedes Optimization Algorithm (AOA) metaheuristic was used to train the models. According to the findings, federated learning algorithms exhibited a classification performance very close to centralized learning and were found to be superior to client-based local learning. The Model-Contrastive Federated Learning (MOON) algorithm achieved 84% classification accuracy. The prediction outputs obtained in the study were used as input in a bi-objective scheduling problem for home health services (HHS), and the mathematical model developed in this direction was successfully solved in a short time using a commercial solver. The intelligent decision support model presented in this thesis offers an important innovation by contributing to data-driven decision making processes in the field of urology.
Benzer Tezler
- Federe öğrenme tabanlı nesnelerin yapay zekası ile gözetim videolarında akıllı kalabalık analizi için anomali tespiti ve tahmini
Anomaly detection and prediction for intelligent crowd analysis with artificial intelligence of things based on federated learning in surveillance
SELEN GÜRBÜZ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- Beyin MR görüntülerinde gizlilik tabanlı yaklaşım : Federe öğrenme
Privacy-based approach to brain MRI: Federated learning
ŞEVKET AY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EKİN EKİNCİ
DR. ÖĞR. ÜYESİ ZEYNEP GARİP
- Derin sinir ağları ile federe öğrenme tabanlı bir kötü amaçlı yazılım tespit uygulaması
A federated learning based malware detection application with deep neural networks
ZEKİ ÇIPLAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
- Gelişmiş veri gizliliği için üretken çekişmeli ağlar ve federe öğrenme tabanlı görüntü üretimi ve sınıflandırması
Image generation and classification based on generative adversarial networks and federated learning for enhanced data privacy
MUSA YENİLMEZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN AYDIN
- Akıllı Endüstri 4.0 için dijital ikiz tabanlı federe öğrenme
Başlık çevirisi yok
ADIL AHMED
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
ASSOC. PROF. DR. MÜGE ÖZÇEVİK