Visualization of deep networks trained for bipolar disorder classification by using fNIRS measurements

Derin öğrenme uygulamaları, hastalıkların sınıflandırılması, bir tedavinin etkileri veya bir hastalığın belirlenmemiş semptomları gibi birçok tıbbi problem üzerinde etkileyici performanslar elde etmiştir. Modern derin öğrenme gelişimi bu alanlarda etkileyici olsa da çalışma prensiplerinin gerçek kavrayışı net değildir. Bu nedenle, derin öğrenme algoritmaları genellikle kara kutu terimiyle ilişkilendirilmiştir. Önceki çalışmaların çoğu, ağların başarılarına odaklanmış ve performanslarını doğruluk seviyeleri açısından hesaplamışlardır. Bununla birlikte, bu tez, sinirsel ağların iç çalışma mekanizmalarının sezgisel ve anlaşılır bileşenlere bölünmesine odaklanmaktadır ve bunların anlaşılmasını ve tıp uzmanlarının bakış açısından yorumlanmasını kolaylaştırmaktadır. Bu amaçla, önceden eğitilmiş Evrişimsel Sinir Ağları ve Artık Değerli Sinir Ağlarına sağlıklı ve bipolar olmak üzere iki sınıfın zaman serisi verileri olan Fonksiyonel Yakın Kızılötesi Spektroskopi (fNIRS) ölçümleri uygulanmış ve bunlara ait görselleştirme çıktıları elde edilmiştir. Bu çıktılar karmaşık zaman serisi verileri oldukları için ki-kare ve t-testleri gibi istatistiksel yöntemlerle analiz edilerek sağlıklı ve bipolar deneklerin kendi sınıflarına özgü iç özellikleri elde edilmiştir. Sonuçlar önceki tıbbi çalışmalarla karşılaştırılıp ve analiz edilerek sınıflandırma sonuçlarının ardındaki olası nedenler verilmiştir. Bu tezin katkısı, fNIRS verileri kullanılarak bipolar bozukluk sınıflandırması amacıyla eğitilmiş farklı sinir ağlarının görselleştirme sonuçları hakkında bir çıkarım sağlamaktır. Bu nedenle, bu çalışma tıp araştırmacıları ile derin öğrenme uzmanları arasındaki boşluğu doldurmaya çalışmaktadır.