Yazar "Demir, Asude" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Autism Spectrum Disorder Diagnosis with Neural Networks
    (Ayandegan Institute of Higher Education, 2024) Demir, Asude; Arslankaya, Seher
    Autism Spectrum Disorder (ASD) affects the whole life of children and leads their families to seek effective treatment and education. According to the Centres for Disease Control and Prevention, the disorder affects one in every 36 children today. Diagnosing this disease at an early age facilitates the treatment process and enables children to be reintegrated into society. The use of Artificial Neural Networks (ANN), one of the artificial intelligence methods used for prediction, has increased in the field of health in recent years and has become an important tool for early disease diagnosis. In this study, single layer perceptron neural networks were designed for the diagnosis of ASD. Data of 14 different parameters taken from children between 12-36 months of age were used, and as a result of the classification, the accuracy value of the neural network was 99.18%, the sensitivity value was 98.91%, the sensitivity value was 1 and the f1 score value was 99.45%. As a result, it is seen that the perceptron classification algorithm has a very high performance in terms of accuracy, precision, sensitivity and f1 score and successfully discriminates the data. © 2024, Ayandegan Institute of Higher Education. All rights reserved.
  • Küçük Resim Yok
    Öğe
    Pediatrik göğüs ağrısı ile kalp hastalığı tanısında makine öğrenmesi uygulamaları
    (Bursa Teknik Üniversitesi, 2025) Demir, Asude; Demir, Yunus
    Çocukluk çağında göğüs ağrısı nadir karşılaşılan bir semptom olmasına rağmen, olası kardiyak nedenlere bağlı olarak ailelerde ciddi endişelere yol açmaktadır. Bu nedenle, çocuk hastaların kalp hastalıkları açısından değerlendirilmesi ve olası patolojilerin zamanında tespiti klinik açıdan büyük önem taşımaktadır. Ancak göğüs ağrılarının önemli bir bölümü kas-iskelet sistemi, gastrointestinal, solunum veya psikolojik nedenlere dayanmaktadır. Kardiyak kaynaklı vakaların nadirliği, tanı sürecinde gereksiz testlerin yapılmasına ve sağlık kaynaklarının israfına yol açmaktadır. Bu bağlamda, çalışmada pediatrik göğüs ağrısının etiyolojisini belirlemeye yönelik makine öğrenmesi temelli bir sınıflandırma modeli geliştirilmiş; farklı algoritmalar, hiperparametre optimizasyon teknikleri ve açıklanabilirlik analizleri kullanılarak modelin tanısal performansı değerlendirilmiştir. Tez kapsamında, bir üniversite hastanesinden 3 ve 18 yaşları arasındaki çocuk hastalara dair demografik bilgiler, klinik semptomlar ve EKG bulguları içeren bir veri seti alınmıştır. Çalışma retrospektif olmakla beraber hasta çocuklara dair veri sayısı oldukça azdır. Bu nedenle çalışmada veri önişleme sürecine önem verilmiş; eksik veriler giderilmiş, kategorik veriler etiketlenmiş ve sınıf dengesizliği SMOTE yöntemi ile düzeltilmiştir. Ardından, Random Forest, Extra Trees, XGBoost, LightGBM gibi çeşitli denetimli öğrenme algoritmaları uygulanarak karşılaştırmalı performans analizi yapılmıştır. En başarılı üç model belirlenmiş ve bu modeller üzerinde GridSearchCV, RandomizedSearchCV ve Optuna ile hiperparametre optimizasyonu ve çapraz doğrulama gerçekleştirilmiştir. Ayrıca, SHAP ve LIME yöntemleriyle açıklanabilirlik analizi yapılarak modellerin karar alma süreçleri görselleştirilmiş ve klinik anlamda yorumlanabilir hâle getirilmiştir. Çalışma sonuçlarına göre, LightGBM, Extra Trees ve XGBoost algoritmaları %94 üzerinde doğruluk oranları, %99 seviyelerinde ROC AUC skoru ve dengeli sınıflandırma metrikleri ile pediatrik hastalarda kalp hastalıklarının varlığını başarıyla tahmin etmiştir. SHAP analizleri, troponin düzeyleri, EKG ritim bulguları, göğüs ağrısı karakteristikleri gibi bazı değişkenlerin model tahmininde kritik rol oynadığını göstermiştir. Ayrıca LIME analizi ile de modellerin bireysel hasta bazında verdiği kararlar yorumlanmıştır. Bu sayede, modelin sadece performans açısından değil, aynı zamanda klinik anlamda da geçerli ve güvenilir olduğu ortaya konmuştur. Çalışma boyunca, makine öğrenmesi algoritmalarının sadece tekil bir kullanımından öte, veri ön işleme, öznitelik seçimi, hiperparametre optimizasyonu ve açıklanabilirlik gibi pek çok aşamada entegre biçimde kullanılması, sistemin başarısını önemli ölçüde artırmıştır. Pediatrik hasta grubuna özgü hassasiyetler gözetilerek geliştirilen bu karar destek sistemi, erken teşhis süreçlerini hızlandırmakta, klinik kaynak kullanımını optimize etmekte ve sağlık profesyonellerinin tanı kararlarını desteklemektedir. Bu tez çalışması, çocuk hastalarda göğüs ağrısının nedeninin ayrımında makine öğrenmesi temelli modellerin etkili bir şekilde kullanılabileceğini ortaya koymakta; klinik kararlara katkı sağlayabilecek, açıklanabilir, güvenilir ve entegre edilebilir bir yapay zekâ tabanlı sistem önerisi sunmaktadır. Elde edilen sonuçlar, sağlık alanında yapay zekânın çocuk sağlığı uygulamalarına entegre edilmesinin mümkün olduğunu göstermekte, gelecekteki çalışmalar için sağlam bir temel oluşturmaktadır.