Koroner arter hastalığının makine öğrenmesi teknikleriyle teşhisi

Bu yüksek lisans tezi, koroner arter hastalığı (KAH) teşhisinde makine öğrenimi yöntemlerinin etkinliğini ve hibrit bir yaklaşımın potansiyel faydalarını kapsamlı bir şekilde araştırmaktadır. KAH, dünya genelinde önde gelen ölüm nedenlerinden biri olup, erken ve doğru teşhis hayati önem taşımaktadır. Bu çalışmada, farklı özellik sıralama algoritmaları ve makine öğrenimi modelleri kullanılarak KAH teşhisinin iyileştirilmesi hedeflenmiştir. Bu amaçla, çeşitli veri setleri üzerinde kapsamlı deneyler gerçekleştirilmiş ve sonuçlar detaylı bir şekilde analiz edilmiştir. Çalışmada, IEEE Dataport, UCI Machine Learning Repository ve Kaggle'dan elde edilen dört farklı veri seti kullanılmıştır. Bu veri setleri, KAH teşhisinde kullanılan çeşitli klinik ve demografik özellikleri içermektedir. Veri setlerinin çeşitliliği, çalışmanın bulgularının genellenebilirliğini artırmaktadır. Eta, F Skor, Fisher ve tez kapsamında geliştirilen Hibrit Özellik Seçimi algoritmaları uygulanarak, her bir veri seti üzerinde önem derecesine göre farklı özellikler içeren alt veri setleri oluşturulmuştur. Özellik seçimi, modellerin performansını artırmanın ve gereksiz özelliklerin yol açabileceği gürültüyü azaltmanın yanı sıra hesaplama karmaşıklığını da önemli ölçüde azaltarak verimliliği artırmanın kritik bir yoludur. Oluşturulan alt veri setleri kullanılarak ANN, kNN, SVM, EDT ve Hibrit makine öğrenimi modelleriyle hastalık sınıflandırması yapılmıştır. Bu modeller, KAH teşhisinde yaygın olarak kullanılan güçlü makine öğrenimi algoritmalarıdır. Hibrit Makine Öğrenmesi yaklaşımı, farklı modellerin güçlü yönlerini birleştirerek tek bir modelin sınırlılıklarını aşmayı amaçlar. Bu çalışmada, dört farklı modelin tahminlerinin ortalaması alınarak hibrit bir model elde edilmiştir. Hibrit Özellik Seçimi algoritması ise, üç farklı özellik sıralama algoritmasından elde edilen özellik skorlarının birleştirilerek yeni bir sıralama oluşturulması prensibine dayanmaktadır. Bu hibrit yaklaşımlar, KAH teşhisinde daha doğru ve kararlı sonuçlar elde etmek için geliştirilmiştir. Modellerin performansı, Doğruluk, Duyarlılık, Özgüllük, F-skor, Kappa ve AUC metrikleri kullanılarak değerlendirilmiştir. Bu metrikler, modellerin farklı yönlerden performansını ölçerek kapsamlı bir değerlendirme sağlar. Farklı sayıda özellik içeren veri setlerinden oluşturulan modellerin test sonuçları karşılaştırılarak, en iyi performansı gösteren modeller ve özellik kombinasyonları belirlenmiştir. Bu analiz, KAH teşhisinde hangi özelliklerin ve modellerin daha etkili olduğunu ortaya koymaktadır. Bu çalışma, KAH teşhisinde makine öğrenimi yöntemlerinin ve hibrit bir yaklaşımın kullanımının potansiyel faydalarını kapsamlı bir şekilde göstermektedir. Elde edilen sonuçlar, özellik seçimi ve model kombinasyonunun teşhis performansını önemli ölçüde artırabileceğini ortaya koymaktadır. Geliştirilen Hibrit Özellik Seçimi algoritması ve Hibrit Makine Öğrenmesi modeli, KAH teşhisinde yeni ve etkili bir yaklaşım sunmaktadır. Bu çalışma, KAH'ın erken teşhis ve tedavisine yönelik gelecekteki araştırmalara ve klinik uygulamalara katkı sağlayabilecek değerli bilgiler sunmaktadır. Ayrıca, bu alanda daha ileri çalışmalar için bir temel oluşturmaktadır.