Dengesiz sınıflandırma problemleri için LLM tabanlı otomatik analiz sistemi

Amaç: Sağlık alanındaki verilerin karmaşık ve heterojen yapısı, makine öğrenmesi algoritmalarının başarısını doğrudan etkileyen sınıf dengesizliği problemini beraberinde getirmektedir. Bu çalışmanın amacı; sağlık verilerindeki sınıf dengesizliği problemine yönelik en uygun dengeleme yöntemini otomatik olarak seçen ve analiz sonuçlarını Büyük Dil Modelleri (LLM) desteğiyle yorumlayan entegre ve otonom bir sistem geliştirmektir. Materyal ve Metot: Çalışmada, 1:100'e varan ekstrem dengesizlik oranlarına sahip üç farklı klinik veri seti kullanılmıştır. Geliştirilen otonom analiz hattı; SMOTE türevleri, CTGAN ve Difüzyon Modelleri (TabDDPM) gibi çeşitli dengeleme stratejilerini LLM tabanlı bir döngü ile yönetmektedir. Ayrıca, veri setindeki nadir ancak klinik değeri olan vakaları korumak amacıyla "Sigma Guardrails" adı verilen özgün bir aykırı değer yönetim mekanizması sisteme entegre edilmiştir. Model performansları F1-Skor, MCC, ROC-AUC ve Brier Skoru gibi çok boyutlu metriklerle değerlendirilmiştir. Bulgular: Elde edilen bulgular, otonom sistemin ekstrem dengesizlik durumlarında dahi başarılı olabileceğini göstermiştir. Ayrıca, Sigma Guardrails protokolü sayesinde verilerdeki istatistiksel aykırıların bazılarının klinik olarak anlamlı bulunarak veri setinde korunduğu saptanmıştır. Düşük Brier skorları, sistemin ürettiği olasılık tahminlerinin klinik güvenilirliğinin yüksek olduğunu göstermiştir. Sonuç: Sonuç olarak, geliştirilen LLM destekli otonom hat, teknik karmaşıklığı minimize ederek ve yanlış negatif maliyetlerini gözeterek klinik karar destek süreçlerinde etkin bir çözüm sunmaktadır. Anahtar Kelimeler: SMOTE, Büyük Dil Modelleri, Makine Öğrenmesi, Python, Dengesiz Sınıf Problemi