Biyomedikal veri sınıflandırmasında derin öğrenme yaklaşımlarının araştırılması

Derin öğrenme, yapay zeka problemlerini çözmek için makine öğrenmesinde yeni ve gelecek vadeden bir alandır. Bu tür yeni yaklaşımlar, otomatik medikal karar verme sistemlerinde gereklidir, çünkü otomatik olmayan süreçler daha pahalıdır, yoğun emek ister ve bu yüzden de insan-kaynaklı hatalara maruzdur. Literatürde derin öğrenme yaklaşımlarını kullanan yaygın alanlar bilgisayar görmesi, doğal dil işleme ve konuşma tanımadır. Derin mimarilerin bu alanlardaki performansının etkileyici olduğu bildirilmiş olsa da, biyomedikal alanda derin öğrenme kullanımı oldukça azdır. Bu çalışma, derin öğrenme yaklaşımlarının biyomedikal alanda da başarılı sonuçlar üretip üretmediğini araştırmayı amaçlamaktadır. Bu amaç doğrultusunda, ağırlıklı olarak derin öğrenme yaklaşımlarından Derin İnanç Ağları ve Konvolusyonel Sinir Ağları kullanılmıştır. Araştırma, tanınmış modern yöntemler ile karşılaştırmayı da içeren birçok uygulama ile gerçekleştirilmiştir. İlgili literatürde, seçilip temel alınan bu yöntemlerin başarılı oldukları ispatlanmıştır. Ayrıca, bu tez kapsamında, temel derin öğrenme yöntemlerinin sınıflandırma performansında olası herhangi bir iyileştirme yapılıp yapılamayacağı da araştırılmıştır. Bu amaçla, özellik seçimi, verideki dengesizliğin giderilmesi ve medikal görüntülerde doku analizi gibi bazı önişleme adımları uygulandı. Doğru performans değerlendirmesi için, düşük ve yüksek boyutlu veriler, bilgisayarlı tomografi görüntüleri, mikro dizilim tabanlı kanser verisi ve deri kanseri görüntülerini de içeren çeşitli biyomedikal veriler kullanıldı. Deneyler derin öğrenme yaklaşımlarının medikal karar vermeyi destekleyen yönde gelecek vadettiğini göstermektedir.