31
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Content analysis of youtube videos related to dementia
Objective: To evaluate the video features and video content features of the dementia-related videos published on the YouTube social media platform. Method: Analysis were conducted using the video content analysis method using a directed and summative approach to qualitative content analysis. Results: The video features and descriptive statistics of the video content features of the 100 most watched videos on the YouTube platform related to dementia were obtained. Analyzed video features; It includes the title of the video, the publication date of the video, the duration of the video, the number of views of the video, the number of likes of the video, the number of dislikes of the video and the number of comments of the video. Video content features; the gender of the speakers, the roles of the speakers, the source of the video, the format of the video, the types of dementia mentioned, the actionable information, the information mentioned in the video content, the informational warning content and the target audience characteristics. Conclusion: It has been concluded that YouTube video content analysis studies make various contributions to the reliability of video contents, the YouTube platform is a promising and valuable tool in terms of public health, YouTube contributes to the field of health education, and the number of video content analysis studies that need to be carried out in this field should be increased. Key Words: YouTube, Dementia, Video Content Analysis, Aging
Triyaj verisi kullanarak öntanı tahmini yapan yapay zeka tabanlı karar destek sistemi
Amaç: Acil servislerde öntanı ve triyaj kararı hastaların şikayet ve klinik durumlarına göre yapılmaktadır. Bu çalışmada şikayet metinleri kulllanılarak triyaj, öntanı ve yatış kararlarının, makine öğrenmesi tabanlı bir karar destek sistemi ile tahmini amaçlanmıştır. Yöntem: Ocak 2018-Temmuz 2019 tarihleri arasında eğitim ve araştırma hastanesi acil servise başvuran hastalar çalışmaya alındı. Çalışmada şikayet metinlerinin doğal dil işlem sonrası XGBoost, rastgele orman(RF) ve yapay sinir ağları(YSA) kullanılarak triyaj ve öntanı tahminleri yapıldı. Bulgular: Çalışmaya alınan 54.867 hasta verisi içerisinde en fazla sarı triyajı(%76,4) saptandı. En çok kaydedilen üç tanı; akut batın (%14), üst solunum yolu enfeksiyonu(%10,3) ve diyare(%6,1); ikili n-gramlar içerisinde en sık kullanılan kelime çifti karın ağrısı, göğüs ağrısı ve baş ağrısı olduğu saptandı. Sonlanım tahmininde en başarılı yöntem 0,931 doğrulukla yapay sinir ağlarında, triyaj tahmininde ise duyarlılıklar en çok sarı ve ESI 3 olmak üzere XGB (0,771; %95 CI 0,763-0,777), rastgele orman (0,765; %95CI 0,760-0,773) ve YSA'nda(0,766; %95CI 0,760-0.772) olduğu saptanmıştır. Öntanılar arasında nörolojik acillerin tahminine yönelik en yüksek seçicilik XGB(0,936) ve RF(0,936) ile, kardiyovasküler aciller grubunda ise seçicilik yine XGB (0,865) ve RF'de(0,865) daha yüksek bulundu. Sonuç: Yapılandırılmamış şikayetler ile triyaj ve öntanı tahmin etmede üç yöntemin de duyarlılıkları sarı ve ESI 3 hastaları için yüksek olurken, sonlanım tahmininde en yüksek doğruluk yapay sinir ağlarında saptanmıştır. Bu modeller acil servise başvuran hastaların hayati öntanı kararı ve taburculuğunda klinisyene yardımcı olabilir.
Derin öğrenme yaklaşımı ile pulmoner nodül karar destek sistemi
Günümüzde tıbbi analiz ve teşhisi kolaylaştırmak için makine öğrenmesi kullanımı yaygınlaşmaktadır. Makine öğrenmesi ile bilgisayar destekli tanı sistemleri geliştirilerek makinelere yorum yapabilme yeteneği kazandırılmaktadır. Bu bağlamda bilgisayar destekli tanı sistemleri radyologlara ikinci bir görüş sunarak tanı ve tespit doğruluğunu arttırmaktadır. Erken dönemde tanı, hastanın sağ kalım sürecini artırmaktadır. Bu amaçla, bu tez çalışmasında, akciğer kanseri tanısında pulmoner nodüllerin benign (iyi huylu) ya da malign (kötü huylu) olarak sınıflandırılması için derin öğrenme yaklaşımının bir yöntemi olan konvolüsyonel sinir ağlarını kullanan bir karar destek sistemi geliştirildi. Makine öğrenmesinde Konvolüsyonel Sinir Ağı (Convolutional Neural Network-CNN) görüntülerin analiz edilmesinde başarıyla uygulanan derin yapay sinir ağıdır. CNN'ler minimal önişleme gerektiren, çok katmanlı yapıyı kullanır. Veri seti olarak Karadeniz Teknik Üniversitesi Farabi Hastanesi Radyoloji Bölümü'nden alınan 600 hastaya ait 1070 adet toraks BT (bilgisayarlı tomografi) görüntüleri kullanıldı. Geliştirilen karar destek sistemi ile toraks BT görüntüleri üzerinden akciğer kanseri tanısı için pulmoner nodüller otomatik olarak sınıflandırıldı. Beş kat çapraz doğrulama sonucunda en yüksek doğruluk %84, ortalama doğruluk %76, ortalama hassasiyet %77 ve ortalama özgüllük %75 olarak hesaplandı. Geliştirilen sistemin temel CNN modeli kullanılarak yapılan çalışmalar arasında en yüksek doğruluğa sahip olduğu görüldü.
Derin öğrenme ve topluluk öğrenme yöntemlerine dayalı bilgisayar destekli tanı sisteminin geliştirilmesi: Omik teknolojileri üzerine uygulaması
Amaç: Bu tez çalışmasında, kolorektal kanser hastalığına ilişkin açık erişimli deneysel metabolomik veri seti kullanılarak, çeşitli topluluk öğrenme ve derin öğrenme modelleri ile ilgili hastalığın sınıflandırılmasını sağlayabilecek bir ardışık kod sisteminin (pipeline) tasarlanması ve bu kapsamda yüksek çıktılı bir karar destek sisteminin geliştirilmesi amaçlanmıştır. Materyal ve Metot: Bu tez çalışmasında, Washington Üniversitesi, Anesteziyoloji ve Algoloji Bölümü, Northwest Metabolomik Araştırma Merkezi'nde yürütülen PR000226 numaralı proje kapsamında üretilen veri seti kullanılmıştır. İlgili veri seti, iki denek grubu, 66 KRK hastası ve 92 sağlıklı kontrol olmak üzere toplam 158 örnekten oluşmaktadır. Değişken seçim yöntemleri olarak LASSO, Elastic-Net, Boruta ve BorutaShap yöntemleri kullanılmıştır. Sınıflandırma görevinde ise XGBoost, LightGBM, derin sinir ağları ve yığın otokodlayıcı modelleri kullanılmıştır. Bulgular: Bulgular incelendiğinde, en zayıf sınıflandırma performansı gösteren modelin yığın otokodlayıcı olduğu görülmektedir. Modelin hiçbir değişken seçimi senaryosunda istenilen sınıflandırma performansını başarısını gösteremediği görülmektedir. LightGBM modeli hem eğitim hem de test veri setlerinin sınıflandırmasında, tüm performans ölçütleri açısından, en iyi sonuçları vermiştir. Ayrıca LightGBM modeli bu sınıflandırma başarımını tüm değişken seçim yöntemleri bazında elde etmiştir. Sonuç: Bu tez çalışmasında, topluluk öğrenme yöntemlerinin, tüm değişken seçim senaryolarında, derin öğrenme yöntemlerine kıyasla çok daha iyi sınıflandırma sonuçları verdiği görülmüştür. Söz konusu topluluk öğrenme yöntemlerinin, büyük veri setlerinde daha hızlı sonuç verebilmeleri için grafik işlem birimi (GPU) destekli sürümlerinin kullanılmasının işlem ve zaman maliyetleri açısından daha verimli olacağı önerilebilir.
Derin öğrenmeye dayalı yapay zekâ teknikleri kullanılarak dermoskopik görüntülerden melanom tahminini sağlayan bir web arayüzünün geliştirilmesi
Amaç: Son zamanlarda hastaneler ve sağlık kuruluşları, doktorlara ve sağlık uzmanlarına özel hasta değerlendirmeleri veya önerileri sağlayabilen klinik karar destek sistemlerine (KKDS) giderek daha fazla ihtiyaç duyuyor. KKDS, hassas tıbbi uygulamalar için önemli bir fırsat sağlar, hastanenin iş verimliliğini artırır ve maliyetleri düşürür. Bu durumda, önerilen tez çalışması ile, dermoskopik görüntüler kullanarak melanomu başarılı bir şekilde tahmin edebilen bir model oluşturmak ve bu model ile görüntülerin sınıflandırılabilmesi için web tabanlı bir sistem geliştirmek amaçlamaktadır. Materyal ve Metot: Bu çalışmada, model eğitimi ve test için toplamda 24.268 adet görüntü kullanılmıştır. Görüntülerin 18.607'i iyi huylu lezyon ve 5661 âdeti melanom içermektedir. Modelin oluşturulmasında VGG16 önceden eğitilmiş ağlar kullanılmıştır. Bulgular: Tez çalışmamızın bulguları incelendiğinde, Sensitivity değerimiz '0.74', Specificity değerimiz '0.8745', Accuracy değerimiz '0.8494' olarak hesaplanmıştır. Oluşan model ile elimizdeki test görüntülerini analiz ederken, 4000 sağlam ve 1000 melanom içeren kanserli görüntü kullanılmıştır. Modelimiz sağlam hasta görüntülerini içeren 4000 görüntünün 3498 tanesi sağlamken sağlam, 502 tanesine ise sağlam oluğu halde melanom olduğunu tahmin etmiştir. Modelimiz melanom hasta görüntülerini içeren 1000 görüntünün 251 tanesi melanom iken sağlam, 749 tanesine ise melanomken melanom olarak sınıflandırmıştır. Sonuç: En ölümcül cilt kanserlerinden biri olan melanomun sınıflandırılması sağlanmıştır ve web arayüzü ile kullanıcıların erişimine açılmıştır. Erken tanı ve teşhis için hekimlere daha hızlı karar verme imkânı sağlanmıştır. Html5 alt yapısı kullanıldığından yazılım mobil ile uyumludur. Bu sayede hekimlerin mobil cihazlarıyla da analiz yapmaları imkân sağlanmıştır.
Yapay zekâ tabanlı görüntü işleme yöntemleri ile COVID-19 tahmini
Amaç: Bu çalışmanın amacı, uygun video işleme teknikleri ve yapay zekâ yöntemlerini kullanarak Akciğer Ultrason videoları ile COVID-19'u, Bakteriyel Pnömoni, Viral Pnömoni ve sağlıklı kontrollerden başarılı bir şekilde ayırt ederek sınıflandırmak için yüksek performansa sahip bir modelin ve web tabanlı klinik karar destek sisteminin geliştirilmesidir. Materyal ve Metot: Bu çalışmada https://github.com/jannisborn/covid19_ ultrasound adresindeki açık kaynaklı Akciğer ultrason video veri seti kullanılmıştır. Veri setinde bulunan videoların 32'si sağlıklı kontrol, 24'ü COVID-19, 24'ü Bakteriyel Pnömoni ve 12'si Viral Pnömoni sınıfındandır. Video işleme aşamasında her bir sınıftaki videolardan 300'er görüntü karesi alınmıştır. Bu sayede toplam 1200 görüntü elde edilmiştir. Görüntülerin %80'i (960) eğitim ve %20'si (240) test veri seti olarak bölünmüştür. Modelleme aşamasında keras kütüphanesinde bulunan derin sinir ağları mimarilerinden evrişimli sinir ağları (CNN) yöntemi kullanılmıştır. Oluşturulan modelin performansını değerlendirmek için doğruluk, duyarlılık, seçicilik, kesinlik, Matthews'in korelasyon katsayısı (MCC), F1 skoru ve G-ortalama ölçütleri verilmiştir. Bunlara ek olarak oluşturulan yapay zekâ tabanlı model, Python Flask Kütüphanesi ve JavaScript yardımıyla, HTML5 alt yapısı kullanılarak COVID-19'u başarılı bir şekilde tespit edebilen web tabanlı bir sistem geliştirilmiştir. Bulgular: Bu çalışmada açık erişimli Akciğer ultrason video veri seti üzerinde oluşturulan model ile test veri setinde doğruluk sağlıklı kontrol, COVID-19 ve viral pnömoni için %93.39 ve bakteriyel pnömoni için ise %95.07 olarak hesaplanmıştır. Sonuç: Oluşturulan video işleme tabanlı CNN modeli ile elde edilen performans ölçütleri değerlerine göre, geliştirilen sistemin COVID-19, Bakteriyel Pnömoni ve Viral Pnömoni tanısında oldukça başarılı tahminler verdiği söylenebilir. Anahtar Kelimeler: COVID-19, yapay zekâ, derin öğrenme, video işleme, görüntü işleme, evrişimli sinir ağları.
Kümelenmiş verilerde sağkalım analizi
Amaç: Kümelenmiş verilerde sağkalım analizi, sağkalım süreleri kümeler halinde örneklendiğinde ortaya çıkar. Böylece aynı küme içindeki sağkalım süreleri ilişkilendirilmiş olur. Bu çalışmanın amacı, kümelenmiş sağkalım verilerin analizinde kullanılan ileri istatistiksel analiz yöntemler ile klasik sağkalım analizini karşılaştırmaktır. Materyal ve Metot: Yapılan benzetim çalışmaları iki açıklayıcı değişken içerecek şekilde tasarlanmıştır. Farklı örneklem büyüklüklerinde ve farklı küme büyüklüklerinde üretilmiş verilerle parametre tahminleri elde edilmiştir. Çalışmada üç farklı durum için model performansları karşılaştırılmıştır. Kırılganlık, tabakalandırılmış Cox modeli, marjinal Cox, marjinal weibull ve klasik Cox modeli üretilmiş olan verilere uygulanmış ve performansları akaie bilgi kriterine (AIC) göre karıştırılmıştır. Bulgular: Çalışmada yapılan benzetim senaryosu sonuçları her üç durumda elde edilen bulgular birbirleri ile benzer olarak bulunmuştur. Gözlem sayısının az olduğu durumlarda en kötü performansa sahip model marjinal weibull olmuştur. Ancak gözlem sayısı arttıkça klasik Cox en kötü performansa sahip modeldir. Ayrıca tüm durumlarda en iyi performans gösteren model kırılganlık modeli olarak elde edilmiştir. Sonuç: Kümelenmiş verilerde sağkalım analizinde, küme içi bağımlılığı dikkate almamak her zaman yanlış istatistiksel sonuç çıkacak kadar yanlı olmayabilir. Ancak, gözlem sayısının artması ile bu yanlılığın da artması muhtemeldir. Bu nedenle kümelenmiş sağkalım verilerinin çözümlemesinde küme içi korelasyonu dikkate alan analiz yöntemlerin kullanılması önerilmektedir.
Development of computer-aided diagnosis system based on ensemble learning methods: Application on genomic technologies
Aim: The aim of this study is to develop web-based software for bioinformatic analysis of large data obtained by performing genomic analysis of liver tissue samples from rats with cisplatin hepatotoxicity and rats without pathology. In addition, as a result of modeling the data with community learning methods, it was aimed to determine possible biomarkers for diagnosis/early diagnosis related to hepatotoxicity. Material and Method: Genomic data obtained from an experimental setup created by taking 20 female Sprague-Dawley rats were used in the study. The web-based software developed for bioinformatics analysis is designed using the Shiny library, which allows interactive web-based applications to be designed based on the R programming language, and ggplot2, ggrepel, DT, shinyWidgets, shinyLP, shinydashboard, and limma the packages. In the models, bagging, boosting, stacking, and XGBoost models from ensemble learning methods were used. Results: The genomic dataset used in the study contains 16,386 expressions. According to the results of the bioinformatics analysis, 589 lncRNAs for hepatotoxicity and control groups showed different expressions in the groups. Of these, 450 showed up-expression, while 139 showed down-expression. As a result of modeling with lncRNAs selected by the variable selection, the XGBoost model had the highest performance metrics. Conclusion: With this study, software was developed that allows bioinformatic analysis. In addition, as a result of bioinformatic analysis and modeling, potential genomic biomarkers for hepatotoxicity were determined using lncRNA expression data of rats with and without hepatotoxicity. Keywords: Computer Aided Diagnosis System, Genomics, Machine Learning, Classification, Ensemble Learning, Artificial Intelligence
Ağaç tabanlı makine öğrenmesi yöntemleri ile genomik verilerin sınıflandırılmasına yönelik klinik karar destek sisteminin geliştirilmesi
Amaç: Bu çalışmanın amacı, MTX ile nefrotoksisitesi olan ve patolojisi olmayan sıçanlardan alınan böbrek doku örneklerinin genomik analizleri sonucu elde edilen büyük verilerin biyoinformatik analizlerinin yapılması ve sonuçların görselleştirilmesi amacıyla bir yazılım geliştirilmesidir. Ayrıca verilerin makine öğrenmesi yöntemlerinden ağaç tabanlı öğrenme yöntemleri ile modellenmesi ve açıklanabilir yapay zeka yöntemleri ile modelin yorumlanabilirliğini sağlayarak nefrotoksisite tanısına yönelik olası biyobelirteçlerin belirlenmesi amaçlanmıştır. Materyal ve Metot: Bu çalışmada 20 adet dişi Wistar Albino cinsi sıçan alınarak oluşturulmuş bir deney düzeneğinden elde edilen genomik veriler kullanılmıştır. Biyoinformatik analiz yapmak için R programlama dili kullanıldı. Modellerde ağaç tabanlı makine öğrenmesi yöntemlerinden karar ağaçları, Random Forest, AdaBoost, Baged CART ve XGBoost modelleri kullanılmıştır. XGBoost modelinin yorumlanabilirliğini artırmak için Local Interpretable Model-Agnostic Explanations ve SHapley Additive Explanations yöntemleri kullanılmıştır. Modellerin ve açıklanabilir yapay zeka yöntemlerinin analizinde Python programlama dili kullanılmıştır. Bulgular: Çalışmada kullanılan genomik veri seti 16.386 lncRNA ifadesini içermektedir. Biyoinformatik analiz sonuçlarına göre nefrotoksisite ve kontrol grupları için lncRNA ların 35 tanesi yukarı regülasyon göstermiş iken 17 tanesi aşağı regülasyon göstermiştir. Boruta değişken seçimi ile seçilmiş olan lncRNA lar ile yapılan modellemeler sonucunda performans ölçütlerine göre XGBoost yöntemi en başarılı makine öğrenimi yöntemi olmuştur. SHAP'ın bir sonucu olarak, Nefrotoksisite için öngörücü biyobelirteç adaylarından en önemli ilk üçü rna-XR_591534.3 (LOC103691816), rna-XR_351582.4 (LOC102555118), rna-XR_005499541.1 (LOC120099962) idi. Sonuç: Bu çalışma yapılan biyoinformatik analiz, modellemeler ve modelleme yorumlanabilirliği sonucunda nefrotoksisitesi olan sıçanlar ile kontrol grubunda yer alan sıçanların lncRNA ekspresyon verileri kullanılarak nefrotoksisite için olası genomik biyobelirteçleri belirlenmiştir. Anahtar Kelimeler: Açıklanabilir Yapay Zeka, Ağaç Tabanlı Öğrenme, Karar Destek Sistemi, Genomik, Makine Öğrenmesi, Sınıflandırma, Yapay Zekâ
Kümeleme analizi ve sağlık alanında bir uygulama
Amaç: Bu çalışmanın amacı, kümeleme analizi yöntemlerini tanıtmak ve ülkelerin sağlık göstergelerine göre kümeleme analizi yöntemlerinin uygulamasını göstermektir. Böylece verilere uygulanan kümeleme analizi yöntemleri sonuçları ve doğru analiz yöntemi ile geçerli bulgular elde edilebileceği örneklenecektir. Materyal ve Metot: Bu çalışmada, ülkeler sağlık göstergesi olarak kabul edilen değişkenlere göre kümelenecek olup veri kaynağı olarak Dünya Sağlık Örgütü ve Dünya Bankası web sitelerinde yayınlanmış en güncel veriler kullanılmıştır. Çalışmada Ward's yöntemi, k-ortalama yöntemi ve iki aşamalı kümeleme yöntemi kullanılmıştır. Bulgular: Ward's yöntemi uygulanmadan önce veriler standartlaştırılmıştır ve ardından yöntem uygulanmıştır. Yöntem sonucunda iki küme oluşmuştur. Daha sonra k-ortalama ve iki aşamalı yöntem uygulanmış olup yine iki küme oluştuğu gözlenmiştir. Oluşan kümelerdeki ülkelerin sağlık göstergelerinin tamamının önemli düzeyde etkin olduğu ANOVA sonuçları ile görülmüştür(p<0.05). Sonuç: Hiyerarşik kümeleme yöntemleri uygulanırken verileri standartlaştırma işleminin yapılıp yapılmayacağı incelenmeli ve bu durumu giderebilecek yöntem kullanılmalıdır. Aksi halde kümeleme yöntemi sonucunda oluşacak kümeler yanlış sonuçlara götürebilecektir. Ayrıca gözlem sayısına, değişken sayısına ve değişkenlerin veri tipine bağlı olarak hangi yöntemin uygulanacağı belirlenmelidir. Üç kümeleme yönteminin uygulandığı bu çalışmanın sonucunda, tüm yöntemler için aynı kümelenme yapısı elde edilmiştir. Anahtar Kelimeler: Kümeleme Analizi, Uzaklık Ölçüsü, Wards Metodu, kortalama metodu
Klinik araştırmalarda kullanılan uyarlanabilir (adaptif) tasarımlar ve uygulamaları
Amaç: Bu çalışmanın amacı, klinik araştırmalarda uygulanan adaptif tasarımların incelenmesi, araştırılması ve kullanılmakta olan bazı adaptif tasarımlara ait uygulamaların gösterilmesidir. Materyal ve Metot: Bu çalışmada adaptif randomizasyon tasarımlarının ve kesintisiz faz II/III adaptif araştırma tasarımlarına ait bir kaç önemli sınıf gözden geçirilmiş ve bu konuyla ilgili literatürdeki son gelişmeler verilmiştir. Simüle edilen verilerle operasyonel özellikleri bakımından CRD tasarımı ve RAR tasarımı karşılaştırılmıştır. Ayrıca, değişken bir dizi tedaviye sahip dört farklı kesintisiz faz II/III adaptif araştırma tasarımı yanıt ve kontrast yapıları açısından karşılaştırılmıştır. Bulgular: RAR tasarımı aynı ortalama güce (%87), biraz daha düşük medyan DA-etkinliğine (RAR için 0.963 ve CRD için 0.992) sahiptir ve ortalama olarak CRD ile karşılaştırıldığında 5.4 daha fazla başarıya sahiptir. Kesintisiz faz II/III adaptif araştırma tasarımlarında kontrast yapısı ve yanıt yapısı aynı olduğunda, monoton ve koveks yapısı için grup ardışık tasarımının (sırasıyla %96.5 ve %95.8), basamak (step) yapısı için ise kazananı tut tasarımının (%83.3) güçlü olduğu gözlenmiştir. Sonuçlar: Hem CRD hem de RAR tasarımları hedef değerleri etrafında normal dağılıma sahip tedavi atama oranlarına sahip olduğu bulunmuştur ve RAR tasarımının çalışma başarısını arttırdığı için kullanılmasının daha uygun olduğunu söyleyebiliriz. Kesintisiz faz II/III adaptif araştırma tasarımlar için ise beklenen örneklem büyüklüğü göz önüne alındığında, yanıt yapısı biliniyorsa, grup ardışık tasarımı en fazla güce sahiptir. Bunun nedeni, daha verimli tasarım için araştırmanın erken durdurulmasına imkan sağlamasıdır. Yanıt yapısı bilinmediğinde, kaybedeni düşür tasarımın, yanıt yapısının "basamak (step)" olduğu durumlar dışında en güçlü tasarımdır. Tüm aktif doz seviyeleri aynı yanıt oranlarına sahipken kontrastlar pek önemli değildir ve bu nedenle, adaptif tasarımın kullanılması yararlı değildir. Anahtar Kelimeler: Adaptif Tasarımlar, İstatistiksel Yöntemler, Araştırma Simülasyonu, Klinik Araştırmalar, Tasarım Değişikliği
Topluluk öğrenme yöntemleri ile renal hücreli karsinom'un tahmin edilmesi
Amaç: Bu çalışmada farklı makine öğrenme yöntemlerinin birleştirilmesi ile elde edilen topluluk öğrenme yöntemleri ile renal hücreli karsinom hastalığının tahmin edilmesi amaçlanmıştır. Renal hücreli karsinomların sınıflandırılmasında, farklı sınıflayıcılar ve birleştirme teknikleri, topluluk öğrenme yöntemlerine uygulanarak en yüksek sınıflandırma performansını sağlayan topluluk öğrenme modelinin oluşturulması amaçlanmıştır. Materyal ve Metot: Çalışmanın veri seti, Kahramanmaraş Sütçü İmam Üniversitesi, Sağlık Uygulama ve Araştırma Hastanesi Üroloji Kliniği'ne gelen hastaların verilerinden retrospektif olarak elde edilmiştir. Çalışmanın örneklemi 140 renal hücreli karsinom hastası ve 140 renal hücreli karsinomu olmayan toplam 280 hastadan oluşmaktadır. Veri setinde hemogram ve laboratuar bulgularından oluşan 28 bağımsız ve bir bağımlı değişken yer almaktadır. Renal hücreli karsinomların tahmin edilmesinde boosting (artırma), bagging (torbalama), voting (oylama) ve stacking (istifleme) topluluk öğrenme yöntemi uygulanmıştır. Topluluk öğrenme yöntemlerinde, IB1, IBk, KStar, LWL, Random Forest, REPTree ve SMO sınıflayıcıları kullanılmıştır. Bulgular: Renal hücreli karsinomların tahmin edilmesinde en yüksek sınıflama performansı stacking topluluk öğrenme yönteminde IB1, IBk, KStar, LWL, Random Forest ve REPTree sınıflayıcılarının birleştirilmesinden oluşan model sağlamıştır. Modelin sınıflandırma performans ölçütleri sırasıyla doğruluk değeri 0.906, duyarlılık değeri 0.906, kesinlik değeri 0.906, özgüllük değeri 0.910 ve AUC değeri 0.944 olarak elde edilmiştir. Sonuç: Renal hücreli karsinomların tahmin edilmesinde topluluk öğrenme yöntemleri başarılı sınıflandırma gerçekleştirmiştir. Renal hücreli karsinomları en yüksek performans ile sınıflandıran topluluk yöntemi stacking topluluk öğrenme yöntemi olmuştur. Stacking topluluk öğrenme yönteminin tıbbi verilerde bilgi keşfi sürecinde uygulanması başarılı sonuçlar vermektedir. Topluluk öğrenme yöntemlerinde, birleştirme tekniklerinin geliştirilmesi ve uygun sınıflayıcıların modele dahil edilmesi, sınıflama performansını artıracaktır.
Yapay zekâya dayalı anlamsal video işleme yöntemlerinin tıpta kullanılabilirliğinin araştırılması
Amaç: Nesne algılama veya tanıma, dijital görüntülerdeki nesneleri tanımlamayı içeren ilgili bilgisayarlı görü işlemlerinin bir koleksiyonunu tanımlayan genel bir terimdir. Son zamanlarda sağlık alanında nesne algılama uygulamalarının klinik karar destek sistemleri olarak kullanımına yönelik çalışmalar giderek önem kazanmaktadır. Gelişen bilgisayar ve makine öğrenmesi teknolojileri sayesinde klinik görüntü ve videolar (Bilgisayarlı tomografi, ultrason, vb.) üzerinden hastalık veya anomali tespiti bilgisayarlar tarafından otomatik olarak yapılabilir hale gelmiştir. Hesaplama maliyeti yüksek bu işlemlerin yüksek doğruluk ve hassasiyetle gerçekleştirilebilmesi için amaca yönelik derin öğrenme mimarileri geliştirilmiştir. Nesne tanıma işlemleri için sıklıkla kullanılan mimarilerden olan evrişimsel sinir ağları (Convolutional neural networks, CNN) derin, ileri beslemeli yapay sinir ağı sınıfıdır. Bu çalışmada uygun video/görüntü işleme teknikleri ve CNN mimarisi kullanılarak endoskopik video görüntüleri içerisinde bulunan poliplerin tespiti, tanımlanması, sınıflandırılması ve takibi gibi çeşitli yöntemler ile sağlık personelleri için kullanıcı dostu bir yazılımın geliştirilmesi amaçlanmıştır. Materyal ve Metot: Çalışmada kullanılan veriseti, toplam 300 görüntüden oluşmaktadır. Bu görüntüler sindirim yolundaki anatomik dönüm noktaları, patolojik bulgular veya gastrointestinal prosedürler gibi her sınıf için yüzlerce görüntüden oluşan çeşitli sınıflara ait tıp doktorları (deneyimli endoskopistler) tarafından açıklanan ve doğrulanan görüntülerden oluşmaktadır. Görüntüler, araştırma ve eğitim amaçlı olarak açık erişimli olarak sunulan https://datasets.simula.no/kvasir internet adresinden temin edilmiştir. Modelleme aşamasında Dlib kütüphanesinde bulunan derin sinir ağları mimarilerinden CNN ve maksimum aralık nesne algılama yöntemi (Max-Margin Object Detection, MMOD) kullanılmıştır. Basit çapraz geçerlilik yöntemi (hold-out) kullanılarak veri seti %80 eğitim, %20 test olacak şekilde iki kısma ayrılmıştır. Model performansının değerlendirilmesinde ise kesinlik, duyarlılık, F1-skor, ortalama kesinlik (average precision, AP), ortalama kesinlik değerlerinin ortalaması (mean average precision, mAP), kesiştirilmiş bölgeler ölçütleri (intersection over union, IoU), en uygun konumlandırma kesinliği ve duyarlılığı (optimal localization recall precision, oLRP), ortalama en uygun LRP (Mean Optimal LRP, moLRP) kullanılmıştır. Bulgular: Bu tez çalışmasının uygulamasında endoskopik poliplere ilişkin açık erişimli video görüntü veri seti üzerinde önceden açıklanan aşamalar gerçekleştirildiğinde, eğitim veri setinde incelenen bütün performans metrikleri 1 değerini alırken, test veri setinde ise kesinlik %98, duyarlılık %90, F1-skoru %94, AP ve mAP %89, oLRP ve moLRP %48 olarak hesaplanmıştır. Sonuç: Hesaplanan performans ölçütlerine ait değerler dikkate alındığında, önerilen sistemin gastrointestinal poliplerin tanısında başarılı tahminler verdiği tespit edilmiştir. Anahtar kelimeler: Nesne tanıma, derin öğrenme, karar destek sistemi, gastrointestinal polipler, evrişimsel sinir ağları
Sınıflandırma problemlerinde topluluk öğrenme yöntemlerinin incelenmesi ve küçük hücreli dışı akciğer kanseri verileri üzerine bir uygulaması
Amaç: Bu çalışmanın amacı, yapay zekâya dayalı topluluk öğrenme yöntemlerinin tıpta kullanılabilirliğini araştırılmak ve geliştirmektir. KHDAK ölüm durumunu sınıflandırmak için çeşitli klinik değişkenleri içeren veri seti kullanılarak, KHDAK değişkeni; yanıt/çıktı/hedef ve veri setinde yer alan ölçümler ile diğer faktörler açıklayıcı/tahminleyici/bağımsız değişkenler olmak üzere, topluluk öğrenme yöntemlerinin KHDAK değişkenini sınıflandırmadaki performansı incelenecek ve en iyi model belirlenecektir. Materyal ve Metot: Bu çalışma, adresli açık kaynak erişimli web sitesinde yer alan KHDAK hastaları ölüm durumunu sınıflandırmak için çeşitli klinik değişkenleri içeren veri setini kullanarak yapılmıştır. Veri seti toplam 181 inoperabl evre I-IIIB KHDAK hasta kaydını içermektedir. Veri setinin yaklaşık % 55.2'si radyoterapi yada kemoterapi alan hastalardan oluşurken % 44.8'i radikal tedavi gören hastalardan oluşmaktadır. Makine öğrenme yöntemlerinden olan SMO, K-NN, random forest ve XGBoost gibi bireysel sınıflandırıcılar ve performansları ile topluluk öğrenme yöntemlerinden voting, bagging, boosting ve stacking yöntemleri kullanılmıştır. Bulgular: Genel değerlendirmeye göre doğruluk, duyarlılık, kesinlik, özgüllük ve ROC eğrisi altında kalan alan metriklerinde en yüksek performansı boosting topluluk öğrenme yöntemi sağlamıştır. XGBoost ile en yüksek sınıflandırma performansını sağlayan boosting topluluk öğrenme yöntemi 0.982 doğruluk değeri, 0.971 duyarlılık değeri, 0.989 kesinlik değeri, 0.989 özgüllük değeri ve 0.998 ROC eğrisi altında kalan alan değerlerini elde etmiştir. Sonuç: Temel sınıflandırıcılara göre topluluk öğrenme sınıflandırıcıları KHDAK ölüm durumunu sınıflandırmada daha iyi sonuçlar vermiştir. Prevelansı yüksek kanser hastalıklılarında, sınıflandırma problemleri için topluluk öğrenme yöntemlerinin kullanılması başarılı sonuçların elde edilmesi açısından önerilmektedir.
Kronik böbrek yetmezliği (KBY) tanısında farklı makine öğrenimi yöntemlerinin karşılaştırılması
Kronik Böbrek Yetmezliği (KBY), hastaların fiziksel durumunu ve sosyal yaşamını olumsuz etkileyen önemli bir sağlık sorunudur ve makine öğrenimi alanındaki çalışmalar, nefroloji alanında karar vericilere destek olacak önemli sonuçlar vermektedir. Bu çalışmada, KBY hastalığının tanısı için makine öğrenimi yöntemleri ile farklı tahmin modelleri oluşturulması ve bu tahmin modellerinin performanslarının karşılaştırması ve değerlendirilmesi amaçlanmaktadır. Ondokuz Mayıs Üniversitesi Tıp Fakültesi Nefroloji Anabilim Dalına 2015-2021 yılları arasında başvuran hasta bilgilerinin kullanıldığı veri setinde 9.136 hastaya ilişkin 22 farklı değişken kullanılmıştır. Bu çalışmada, tek sınıf, Naive Bayes, lojistik regresyon, karar ağaçları, rastgele orman, en yakın k-komşu ve destek vektör makinesi algoritmaları için veri seti, WEKA yazılımı tarafından analiz edilen %50 ile %90 arasında değişen eğitim veri setlerine bölünmüştür ve tahmin modelleri oluşturulmuştur. Bu modellerin başarı oranları doğruluk oranı, hata oranı, kesinlik, duyarlılık, seçicilik, F ölçümü ve Matthews korelasyon katsayısı ölçütleri kullanılarak karşılaştırılmıştır. Veri setinde 9.136 hastanın %54,28'nde KBY hastalığı bulunuyorken %45,72'nde bu hastalık bulunmamaktadır. Veri setinin tümü ile oluşturulan tahmin modellerinde en iyi performansı; doğruluk oranı için %97,1 ile rastgele orman ve en yakın k-komşu algoritmaları ile elde edilmiştir. Veri setinin, eğitim veri seti ve test veri seti olarak %50-90 arasında ayrıldığı tahmin modellerinin tümünde ise en iyi performansı; doğruluk oranı için lojistik regresyon algoritması göstermiştir. Diğer performans ölçütleri için rastgele orman ve destek vektör makineleri algoritmalarının incelenen diğer algoritmalardan daha başarılı olduğu gözlemlenmiştir. Ayrıca işlem karakteristik eğrisi analizi sonucunda hasta yaşı değişkeni için kesim noktası olarak 54,5 değeri belirlenmiştir. KBY tanısında kullanılan farklı makine öğrenimi yöntemlerinin, veri setinin farklı oranlarda eğitim ve test veri setlerine ayrılmasıyla ortaya çıkan sonuçları değerlendirilmiştir. Bu değerlendirmeler sonucunda %60-80 aralığında eğitim verisi, %20-40 aralığında ise test veri setinin kullanılmasının uygun olduğu ve farklı büyüklükteki veri setlerine uygulanan algoritmalar için farklı performans ölçütlerindeki başarı oranlarının değişiklik gösterdiği görülmüştür.
Çevre epidemiyolojisinde hastalıkların modellenmesi için zaman serisi regresyon analizi yöntemlerinin karşılaştırılması
Amaç: Bu çalışmada Astım, KOAH, Pnömoni ve Pte hastalıklarının 3 farklı sonuç değişkeni GAM, DGDOM ve GAMAR yöntemleri kullanılarak modellenmiş ve yöntemlerin performans sonuçları karşılaştırılarak en iyi model araştırılmıştır. Materyal ve Metot: Gerçek verimiz, Gaziantep ili Kamu Hastaneleri Genel Sekreterliğine bağlı 3 hastaneden 01 Ocak 2009 ile 31 Mart 2014 tarihleri arasında toplam 1916 gün boyunca geriye dönük olarak izlenmesi ile elde edilen veriler kullanılarak oluşturuldu. Cevap değişkenleri; astım, KOAH, pnömoni ve pulmoner tromboemboli şikayeti ile "acil ve göğüs hastalıkları servislerine başvurular", "hastanede yatış" ve "mortalite" durumlarının günlük sayımı şeklindedir. Tahminlerde GAM, DGDOM ve GAMAR yöntemleri kullanılmış, aynı yöntemle kurulan 4 farklı modelden en iyi performansa sahip model, ilgili yöntem için karşılaştırma modeli olarak kullanılmıştır. Tahminlerin performansının değerlendirilmesinde AIC, düzeltilmiş AIC, BIC, fark yüzdesi ve düzeltilmiş R2 kriterleri kullanılmıştır. Bulgular: Astım, KOAH, pnömoni ve PTE hastalıklarının başvuru ve hastanede yatış cevap değişkenlerinin tahmininde performans kriterlerine göre GAM ve DGDOM benzer sonuçlar gösterirken, GAMAR metodunun diğer yöntemlere göre daha üstün sonuçlar verdiği gözlenmiştir. Hastalıkların eks cevap değişkenlerinde ise; astım hastalığında DGDOM diğer modellere göre üstün performans gösterse de diğer hastalıklarda yine GAMAR'ın üstün olduğu gözlenmiştir. Sonuç: İncelenen bağımlı değişkenler ile oluşturulan modeller kıyaslandığında, en iyi performansın GAMAR yönteminden elde edildiği gözlenmiştir. Bunun yanında OR grafiklerinde en düşük standart hatalı grafikler GAMAR yöntemi kullanılan modellerde gözlenmiştir. Anahtar Kelimeler: GAM, DGDOM, GAMAR, Çevre Epidemiyolojisi, Hava Kirliliği.
Doğrulayıcı faktör analizinde yarışan modeller ve klinik bir uygulaması
Doğrulayıcı Faktör Analizinde Yarışan Modeller ve Klinik Bir Uygulaması Amaç: Açıklayıcı faktör analiziyle elde edilen anket boyutlarını doğrulayıcı faktör analiziyle doğrulmak, var olan boyut sayısı yerine daha az sayıda boyut ile modellerin açıklanabilirliğini uyum indeksleri ile karşılaştırıp göstermektir. Materyal metot: Çalışmada Ocak 2015 ile Ocak 2016 tarihleri arasında İnönü Üniversitesi Tıp Fakültesi Turgut Özal Tıp Merkezi Çocuk ve Ergen Psikiyatri polikliniğine başvuran Otizm Spektrum Bozukluğu (OSB) olan 204 çocuk hastanın anne-babasının yanıtladığı "Çocuklarda Yeme Davranışı Anketi (ÇBYD)" anketi verileri kullanıldı. Anket boyutlarını belirlemek için verilere ilk olarak açıklayıcı faktör analizi (AFA) uygulandı. Bu analizden elde edilen boyutlara doğrulayıcı faktör analizi (DFA) uygulandı. Daha sonra açıklayıcı faktör analizinde açıklanan varyans yüzdesi miktarına göre en az yüzdeye sahip boyutlar çıkarılarak yeni modeller belirlendi. Modellerin indeksleri hesaplandı. Bulgular: AFA'ya göre elde edilen sekiz boyut toplam varyansın %72.68'ini açıklamaktadır. DFA'ya göre sekiz alt boyuta ait χ2 776.775, χ2 / sd 1.417, RMSEA 0.045 ve AIC 1014.775 bulunmuştur. En düşük varyans açıklama yüzdesine sahip yemek seçiciliği boyutu çıkarılarak yedi boyutla kurulan modele ait χ2 653.720. χ2 / sd 1.462, RMSEA 0.048 ve AIC 987.720 bulunmuştur. Sonraki en düşük varyans açıklama yüzdesine sahip duygusal az yeme boyutu çıkarılarak altı boyut ile kurulan modele ait χ2 517.433, χ2 / sd 1.545, RMSEA 0.052 ve AIC 715.433 bulunmuştur. Sonuç: Kurulan 8, 7 ve 6 alt boyutlu modellere ait uyum iyiliği indeksleri karşılaştırıldığında 6 boyutlu modelin örneklemi açıklamada yeterli olduğu bulunmuştur. Anahtar kelimeler: Yapısal eşitlik modellemesi, doğrulayıcı faktör analizi, yarışan modeller, uyum iyiliği indeksleri, çocuklarda yeme davranışı ölçeği
Tip 2 diyabet mellitus ile ilişkili risk faktörlerini saptamada çok değişkenli istatistiksel yöntemlerinin karşılaştırılması
Amaç: Bu çalışmanın amacı, Tip 2 Diyabet Mellitus olan ve olmayan hastalara ait verileri kullanarak Yapay Sinir Ağları, Lojistik Regresyon Analizi ve Karar Ağaçları Yöntemlerine ait sınıflandırma performanslarını karşılaştırmak ve Tip 2 Diyabet Mellitus için risk faktörlerini belirlemektir. Materyal ve Metot: Çalışmadaki veriler, İnönü Üniversitesi Tıp Fakültesi Turgut Özal Tıp Merkezi İç Hastalıkları Anabilim Dalı Diyabet ve Tiroid polikliniğine gelen hastalardan elde edilmiştir. İlgili veri seti 25 bağımsız değişken ve 1 bağımlı değişkenden oluşmaktadır. Yöntemlerin sınıflandırma performansları karşılaştırılırken performans ölçütlerinden doğruluk, duyarlılık, seçicilik, kesinlik, F-ölçümü, AUC ve sınıflama hatası kullanılmıştır. Bulgular: Üç yöntemden en iyi sınıflandırma performansını Yapay Sinir Ağları yöntemi vermiştir. Bu yöntemin, doğruluk, duyarlılık, seçicilik, kesinlik, F-ölçümü, AUC ve sınıflama hatası değerleri sırasıyla; 98.94, 100, 97.73, 98.04, 99.01, 0.978 ve 1.06 olarak bulunmuştur. Yapay sinir ağları yöntemi için hastalığı etkileyen risk faktörlerinden cinsiyet, aile öyküsü, uzun süre ilaç kullanımı, kortizon kullanımı, eşlik eden hastalık, yüksek tansiyon, stres faktörü, kalp hastalığı, kolesterol yüksekliği, sigara kullanımı, alkol tüketimi, egzersiz durumu, karbonhidrat kullanımı, sebze kullanımı, et kullanımı, yaş, kilo, boy, başlama yaşı, günlük ekmek tüketimi, HDL, LDL, Trigliserid, Total Kolesterol, Açlık kan şekeri bağımsız değişkenlerinin ağırlıkları sırasıyla; 0.017, 0.013, 0.009, 0.008, 0.017, 0.008, 0.016, 0.024, 0.053, 0.006, 0.007, 0.023, 0.040, 0.020, 0.007, 0.046, 0.083, 0.049, 0.024, 0.066, 0.083, 0.084, 0.031, 0.020, 0.244 olarak bulunmuştur. Sonuç: Lojistik Regresyon, Yapay Sinir Ağları ve Karar Ağaçları sınıflandırma yöntemleri uygulandığında en iyi performansı gösteren Yapay Sinir Ağları yöntemi ve bu yöneteme göre Tip 2 Diyabet Mellitusa neden olabilecek en önemli risk faktörün açlık kan şekeri olduğu elde edilmiştir.
Önemi belirsiz atipi/önemi belirsiz foliküler lezyon tanısı alan tiroid nodüllerinin malignite öngörüsü için yapısal eşitlik modeli ile karar destek sistemi
Tiroid kanserlerinde karar vermenin en karmaşık olduğu hasta grubu Bethesda sisteminin 3. kategorisindeki AUS/FLUS tanısı alan hastalardır. Malignite riski %10-30 aralığında değişen bu tür hastalara belirli sıklıklarla ince iğne aspirasyonu biyopsisi (İİAB) önerilmekte, bazen de hastanın isteği doğrultusunda cerrahi müdahale ile sonuçlanmaktadır. Yapılan çalışmada, tiroid kanseri şüphesi ile bir kliniğe başvuran ve İİAB sonucu AUS/FLUS tipi sitopatolojide tanımlanan nodüllü hastaların; klinik bilgileri, ultrasonografi ve sitopatolojik bulguları kullanılarak yapay zekâ ve makine öğrenmesi yöntemleri ile ameliyat öncesi nodüllerin benign/malign durumunun belirlenmesinde hekime yardımcı olacak en başarılı modele dayalı bir klinik karar destek sistemi önerilmiştir. Söz konusu veri setinde, değişkenler arasındaki ilişkileri belirlemek ve istatistik olarak anlamlı kestirimler yapabilmek amacıyla yapısal eşitlik modellemesi yöntemi kullanılmıştır. Bu yöntemle belirlenen anlamlı değişkenler üzerinde, makine öğrenmesi/yapay zeka yaklaşımlarından olan destek vektör makineleri (DVM), bağımsız varsayımlarla Bayes teoremini temel alan olasılıklı bir sınıflayıcı olan Naive Bayes ve karar ağacı yöntemleri kullanılarak karar destek sistemi oluşturmak için modelleri kurulmuştur. Çalışmanın sonucunda, YEM analizi kullanılarak elde edilen değişkenler ile geliştirilen en başarılı modelin duyarlılığı %70, seçiciliği %93 ve doğruluğu %82 olarak elde edilmiştir. Bunun dışında, farklı senaryolar için birçok model oluşturulmuş ve ilgili sonuçlar karşılaştırılmıştır. Sonuç olarak; önerilen en başarılı DVM modelinin benign nodülleri tahmin etmede en yüksek doğruluk değerine sahip olduğu saptanmıştır. Böylece ameliyat öncesi ikinci bir klinik seçenek sunularak hekimlerin karar verme süreci desteklenebilir.
İşlemsel ilaç yeniden konumlandırma yaklaşımının geliştirilmesi
Hesaplamalı ilaç yeniden konumlandırma, FDA onaylı ilaçları analiz ederek yeni tedavi alanlarını keşfetmeyi amaçlamaktadır. Yeniden ilaç geliştirmenin yüksek maliyeti nedeniyle, onaylanmış bir ilacın başka bir hastalığın tedavisi için yeniden kullanılması, dünyada ölümlere en çok sebep olan kanser tedavisi için önemli bir teknik haline gelmiştir. Bu tez çalışması, ağ teorisine dayalı bir ilaç yeniden konumlandırma yaklaşımı geliştirerek kansere neden olan proteinlerin ekspresyon profillerini değiştirebilecek aday ilaçlar bulmayı amaçlamıştır. Ağ yapısı oluşturulurken literatürden elde edilen protein-protein etkileşim ağı bilgisi kullanılmıştır. Oluşturulan ağ yapısı üzerinde hastalık proteinleri ve bu molekülleri baskılaması muhtemel ilaç adaylarına ait transkriptom profilleri LINCS L1000 projesinden alınmış, bu ağ yapısı üzerinde ayrı ayrı haritalanmıştır. İstatistiksel metotlar kullanılarak bu iki ağın örtüşme puanları hesaplanarak ilaç yeniden konumlandırma yaklaşımı oluşturulmuştur. Geliştirilen ilaç yeniden konumlandırma yaklaşımı akciğer ve meme kanserlerine uygulanmıştır. Hesaplamalarda beş farklı uzaklık metriği (en kısa yol, ağırlıklandırılmış jaccard, öklid, manhattan, canberra) kullanılmıştır. Sonuçlar karşılaştırıldığında en kısa yol algoritmasının diğer metriklerin tahmin ettiği bileşikleri de içerdiği görülmüş ve en kısa yol algoritmasının sonuçları değerlendirmeye alınmıştır. Tüm bileşikler, akciğer kanseri hastalık ağındaki normalleştirilmiş benzerlik puanlarına göre sıralandığında, akciğer kanseri tedavisi için 14 aday, meme kanseri için 36 aday bileşik önerilmiştir. Önerilen aday bileşikler literatür taraması, klinik faz çalışmaları ve benzer ağ tabanlı yaklaşımlarla karşılaştırıldığında ortak bileşiklerin ve faz-II ya da faz-III klinik çalışmalarının (akciğer kanseri için mitoxantrone, dinaciclib ve foretinib, meme kanseri için alvocidib, AT-7519, mocetinostat, entinostat, mitoxantrone ve sunitinib) olduğu bulunmuştur. Literatür taramaları, geliştirilen yaklaşım ile tahmin edilen bileşiklerin her iki kanser türü tedavisi için potansiyel aday bileşikler olabileceğini göstermiştir. Ancak, hem in-vitro deneyler hem de klinik deneylerle bu bileşiklerin doğrulanması önerilmektedir.
Covıd-19 servislerinde görev yapan sağlık çalışanlarının ses sinyallerinden olası anksiyetelerinin makine öğrenmesi yöntemi ile belirlenmesi
Ruh sağlığı alanında bireyler değerlendirilirken genellikle nitel yöntemlerden yararlanılmaktadır. Bu sorular ayrıntılı ve uzun olmakla birlikte nitel soru-cevap şeklinde ilerlediği için bazen yanlış yönlendirmelere neden olabilmektedir. Pandemide COVID-19 hastalığına doğrudan maruz kalan sağlık çalışanları da kendilerini tehdit altında hissetmeye başlamıştır. Anksiyete, kaygılı ve tehdit altında hissedildiğinde vücudun doğal bir tepkisidir. Anksiyete, duygu, düşünce ve fiziksel durumu etkilemektedir. Bu çalışma, ses verisiyle elde edilen çıktıların, anksiyetenin tanılanma sürecinin şekillendirilmesinde, sağlık profesyonellerine yardımcı olması amacıyla yürütülmüştür. Anksiyetenin tespiti için Durumluk-Sürekli Kaygı Ölçeği (DSKÖ) (State- Trait Anxiety Inventory- STAI) kullanılmıştır. Katılımcılar, Ordu ilinde COVID-19 pandemi kliniklerinde aktif olarak görev alan 30 sağlık çalışanı ile COVID-19 pandemi kliniklerinde aktif olarak görev almayan 30 sağlık çalışanından randomize olarak seçilmiştir. Phonic.ai aracılığı ile beş adet sözel soruya sesli yanıt ve ardından DSKÖ'ye yanıtlar alınmıştır. DSKÖ verilerinin analizinde SPSS paket programları kullanılmış olup analiz sonucunda Acil Servis'te çalışan sağlık çalışanlarında durumluk kaygı düzeyleri anlamlı olarak yüksek bulunmuştur. Sesli yanıtlardan makine öğrenmesi algoritmaları oluşturabilmek için Python yazılım dili kullanılmıştır. Tasarlanan algoritmalar ile çıktılar elde edilmiştir. DSKÖ'nün çıktıları ile makine öğrenmesi yönteminin çıktıları karşılaştırılmıştır. Modeller karşılaştırıldığında (VGG-19, ResNet50, AlexNet) en başarılısı 1D(boyutlu) CNN (konvolüsyonel sinir ağı) tabanlı model olmuştur. Modelin duygu analizinde; doğruluk %63.7 (%63 hassasiyet, %91 özgüllük) anksiyete analizinde ise doğruluk %73.5 (%73 hassasiyet, %94 özgüllük) saptanmıştır. Bu sonuçlar doğrultusunda geliştirilen modelin gelecek çalışmalarda görüntü ve video kaydı gibi yöntemlerle desteklendiğinde başarısının artacağı düşünülmektedir.
Kognitif bozukluğu olmayan parkinson hastalarında erken tanı amaçlı klinik karar destek sistemi geliştirilmesi
Günümüzde parkinson hastalığı (PH), sıklığı ve yarattığı sorunlar nedeniyle tüm dünyada önemi gittikçe artan bir sağlık sorunu haline gelmiştir. Hastalığın teşhis edilmesi zordur ve etkili tedavi ve ilaç kullanımı bugüne kadar tam olarak sağlanamamıştır. Bu tez çalışmasında yapay zeka yaklaşımı aracılığıyla dinlenme durumu elektroensefalografi (EEG) verisinden, kognitif bozukluğu olmayan hastalarda PH'yi erken dönemde tespit edebilecek, ucuz, etkili bir tahmin modeli geliştirilmesi amaçlanmıştır. Bu amaçla bu tez çalışmasında, üç farklı üniversiteye ait hazır EEG veri setleri yeni öznitelik yaklaşımları kullanılarak ve ilk kez kullanılan öznitelikler önerilerek, farklı makine öğrenmesi yöntemleri ile sınıflandırılmış ve sonuçlar literatürdeki yöntemlerle karşılaştırmalı olarak sunulmuştur. Öncelikle verilerin frekans domeni güç spektral yoğunluğu üzerinden çıkarılan öznitelikleri kullanılarak, PH ve kontrol grubu verileri başarılı şekilde sınıflandırılmıştır. Bu süreçte ayrıca başarılı sonuç veren yeni spektral öznitelikler önerilmiştir. İkinci olarak PH'de yine ilk kez denenen bir yöntem olan EEG verisinin ses verisine dönüştürülmesi ve onun üzerinden müzik öznitelikleri çıkarılması yoluyla sınıflandırma yapılmıştır. Çalışma sonuçları kullanılan kanal sayısı, öznitelik türü ve kullanılan makine öğrenmesi yöntemleri açılarından ayrı ayrı değerlendirilmiş ve literatürle karşılaştırmalı olarak sunulmuştur. Elde edilen en başarılı sonuçlara göre Iova veri setinde tek kanal ve yedi spektral öznitelik ile yapılan sınıflandırmada CatBoost algoritması kullanılarak 10 katlı çapraz doğrulama ile %96.67 sonucuna ulaşılmıştır. EEG altbantları ile yapılan sınıflandırmada ise, 18 merkezi kanal, dört spektral öznitelik ile 4-8 Hz ve 10 merkezi kanal 11 spektral öznitelik ile 8-12 Hz'de ayrı ayrı olarak yine CatBoost algoritması ile tüm metriklerde %100'lük sonuca ulaşılmıştır. Ses verisinden elde edilen kroma tabanlı müzik özniteliklerine göre yine 31 kanalda CatBoost algoritması ile %96.67 doğruluk elde edilmiştir. Bu çalışmadan elde edilen sonuçların, literatürde aynı veri setleri ile şimdiye kadar elde edilen sonuçlardan daha iyi olduğu görülmektedir. Dolayısıyla, tez çalışmasının sonuçlarının, PH analizi ve klinik olarak erken teşhisi için umut vadedici ve tercih edilebilir bir seçenek olduğu düşünülmektedir.
Derin öğrenme yaklaşımı ile protein reprezantasyonunu temel alan yeni bir varyant etki tahmin modeli
İnsan genomunda fenotip üzerinde zararlı bir etkiye neden olabilecek tek aminoasit varyantları belirlenirken genellikle sekansın evrimsel korunumu ve yapısal özellikleri dikkate alınarak istatistiksel yöntemler ve makine öğrenme algoritmaları gibi hesaplamalı yaklaşımlar kullanılmaktadır. Sunulan tez çalışmasında, yenilikçi varyant etki tahmin yöntemleri olarak adlandırılan derin öğrenme ve doğal dil işleme yöntemleri ile ABL1 proteinine özgü varyantların fenotip üzerindeki zararlı (patojen) veya zararsız (benign) etkisi tahmin edilmeye çalışılmıştır. Geliştirilen tahmin modellerinde UniProt, ClinVar, EVS ve dbSNP veri tabanlarından elde edilen ABL1 varyant verileri kullanılmıştır. Bu veriler tez çalışması kapsamında belirlenen altı farklı senaryoya göre eğitim, doğrulama ve test veri seti olarak bölümlenmiştir. Modellerde girdi olarak kullanılan ABL1 protein sekansı, standart bölümleme ve bölgesel bölümleme gibi farklı bölümleme yöntemlerine göre bölümlenmiştir. Elde edilen bu varyant sekanslar embedding (gömme) reprezantasyon yöntemine göre boyutlandırılmıştır. Modellerin performansları doğruluk, kesinlik, duyarlılık, F ölçütü, özgüllük ve ROC-AUC metriklerine göre değerlendirilmiştir. Geliştirilen tahmin modellerinin senaryolara göre performansları karşılaştırıldığında en yüksek tahmin performansının Evrişim Katmanı modeli ile (AUC: 0.86) elde edildiği görülmüştür. Buna göre, sadece benign varyantların sınıflaması için en başarılı Evrişim Katmanına sahip derin öğrenme modeli kullanılarak benign varyantlar %93 doğrulukla (seçicilik: 0.93) sınıflanabilir. Yapılan tez çalışmasında, ABL1 proteini özelinde protein varyantlarının fenotip üzerindeki zararlı veya zararsız etkisinin tahmini için başarılı bir model geliştirilmiştir.
Yapay zekâ yaklaşımı ile kümülatif konsepsiyon tahmin modeli geliştirilmesi
Kümülatif konsepsiyon, bir kadının belirli bir zaman dilimi içinde gebe kalma olasılığını ifade eder. Bu olasılık, sosyal, kültürel, ekonomik, çevresel, davranışsal, biyolojik, psikolojik ve genetik etmenler başta olmak üzere birçok faktöre bağlı olarak değişir. Kümülatif konsepsiyon, kadınların doğurganlık planlaması yaparken veya infertilite tedavisi görmeye karar verirken dikkate alabilecekleri önemli bir göstergedir. Hangi çiftin infertilite (kısırlık) veya subfertilite için riskli grupta olduğunu bilmek, gebelik öncesi (prekonsepsiyonel) değerlendirmeye ihtiyacı olup olmadığına karar vermek açısından oldukça önemlidir. Bu nedenle gebelik elde etme ihtimalini araştıran ve bu yöntemle spontan gebelik şansı az olan ve infertilite için risk faktörü taşıyan kadınların erken tanınmasını sağlayacak non-invaziv (girişimsel olmayan), ucuz ve etkili tahmin modellerinin geliştirilmesi önem arz etmektedir. Bu amaçla yapılan prospektif tez çalışmasında, uzman doktor tarafından belirlenen sorularla oluşturulan bir kayıt formu 300 katılımcı tarafından doldurulmuş ve maksimum 12 ay olmak üzere 2 ayda bir gebelik takibi yapılmıştır. Elde edilen veriler ile beş farklı öznitelik seçimi yöntemi kullanılarak risk/şans faktörü olan değişkenler belirlenmiş ve bu değişkenler üzerinden makine öğrenmesi yöntemleri kullanılarak beş farklı tahmin modeli geliştirilmiştir. Bu tahmin modelleri arasında en başarılı model CatBoost algoritması ile elde edilmiştir (Doğruluk:0.83, Duyarlılık:0.90, Özgüllük:0.76 ve ROC-AUC:0.83). CatBoost algoritmasına göre elde edilen tahmin sonuçları olasılık değerlerine dönüştürülerek model çıktısında her bir sınıf (gebe kaldı/kalamadı) için olasılık değerleri elde edilmiştir. Elde edilen olasılık değerleri, uzman hekim tarafından belirlenen kesim noktaları üzerinden "düşük", "orta" ve "yüksek" olmak üzere üç sınıfa ayrılmıştır. Böylece, henüz gebelik öncesi aşamadayken, sadece kayıt formu bilgileri kullanılarak gebe kalma olasılığı "düşük", "orta" ve "yüksek" şeklinde verebilen, hekime yardımcı olabilecek başarılı bir karar destek modeli geliştirilmiştir. Geliştirilen bu karar destek sistemi ile uzman hekim, gebe adayına ilişkin bilgileri sisteme girdiğinde, gebelik olasılığına ilişkin önsel bir tahmin sonucu elde edebilecek ve bununla birlikte muayene bilgilerini de kullanarak gebelik tedavi sürecini planlayabilecektir.
Glukagon benzeri peptit 1 reseptör agonistleri ve dipeptidil peptidaz 4 inhibitörleri ile antidiyabetik bitkilerin etkileşimlerinin in siliko analiz ile belirlenmesi
Tip 2 diyabet mellitus, diyabetin en yaygın formudur ve bu hastalığın ortaya çıkardığı komplikasyonlar, bireylerin yaşam kalitesini derinlemesine azaltmakta ve erken ölüm artırma riskini yükseltmektedir. Ayrıca, bu durumla başa çıkan bireyler, genellikle çeşitli sosyal, ekonomik ve psikolojik olumsuz etkilerle karşılaşmaktadır. Bu acil sağlık sorunu karşısında, farklı etki mekanizmalarına dayanan çeşitli tedavi yöntemleri geliştirilmiş ve hâlâ araştırılmaya devam edilmektedir. Bu müdahalelerin temel hedefleri, optimal glisemik kontrol sağlamak, potansiyel komplikasyonları önlemek, yaşam kalitesini artırmak ve erken ölüm oranlarını azaltmaktır. Bu tedavi stratejileri arasında, inkretin bazlı tedaviler özellikle önem taşımaktadır, zira bu yöntemler, pankreastan GIP ve GLP-1 salgılanma mekanizmalarını taklit ederek vücudun doğal süreçlerinden faydalanmaktadır. Ayrıca, bu yerleşik tedavilere paralel olarak, son yıllarda bitkisel bazlı ilaçlara olan ilgi giderek artmaktadır. Bu çalışmada, Türkiye'de yetişen antidiabetik özelliklere sahip bitkiler ve fitokimyasal bileşenlerin belirlenmesi amaçlanmıştır. Bu bağlamda, moleküler kenetlenme analizi kullanılarak-ilaç tasarımı ve geliştirme süreçlerinde kritik bir yöntem-bu bitki kökenli bileşenlerin GLP-1 reseptör agonistleri ve DPP-4 inhibitörleri ile ilişkili protein hedefleriyle olan etkileşimleri incelenmiştir. Moleküler kenetlenme analizinin sonuçları, GLP-1 için 1.740 ve DPP-4 için 818 aday molekül ortaya koymuştur. Bu aday moleküllerin SwissADME analizi sonucunda, GLP-1 için 864 molekülün biyoyararlanım radarında, DPP-4 için ise 228 molekülün bulunduğu tespit edilmiştir. DPP-4 hedefi için belirlenen aday moleküllerin daha detaylı bir incelenmesi, toplamda 36 farklı bileşenin 13 farklı bitkiden türediğini ortaya koymuştur. Bu bulgular, in siliko yöntemlerle bu moleküllerin diyabet tedavisinde kullanılma potansiyelini göstermektedir. Sonuç olarak, bu çalışma, 1.914 fitokimyasal ve mevcut antidiabetik ilaçların karşılaştırmalı analizi aracılığıyla, 13 bitkiden 36 antidiabetik potansiyele sahip bileşiğin başarılı bir şekilde belirlenmesini sağlayarak, yeni ilaç adaylarının keşfine değerli katkılarda bulunmuştur.
Türkiye'de yetişen tıbbi bitkilere ait antikoagülan fitokimyasalların faktör xa inhibisyonlarının in siliko araştırılması
Farklı faktörler tarafından tetiklenen çoklu organ işlev bozukluğu, klinik bir sendrom ve yoğun bakım ünitelerinde önde gelen ölüm nedenlerinden biridir. İnsidansı yıllık %51 olan çoklu organ işlev bozukluğu sendromunun sebeplerinden biri de yaygın damar içi pıhtılaşma (YDP) olduğu bilinmektedir. YDP hem mikrovasküler hem de makrovasküler pıhtılaşmaya neden olarak kan akışını bozmaktadır. YDP tedavisinde temel yaklaşım YDP'ye neden olan altta yatan patolojik tablonun ortadan kaldırılması, destek tedavisi ve pıhtılaşma mekanizmasının düzeltilmesidir. Faktör Xa inhibitörlerinin kullanımı antikoagülan tedavileri arasındadır. Bu inhibitörlerin de dahil olduğu sentetik ilaçların birçok yaygın ve ciddi yan etkileri olduğu bilimektedir. Fitokimyasal bileşiklere sahip olan bitkiler, sentetik ilaçlara kıyasla daha az toksik ve daha az yan etkiye sahip olmaları sebebiyle geçmişten günümüze kadar birçok hastalığın tedavisinde kullanılmaktadır. Alanyazında antikoagülan özellik gösteren farklı bitkilerin olduğu bilinmektedir. Geleneksel olarak mevcut ilaç geliştirme süreci yüksek maliyet ve uzun zaman almaktadır. Moleküler kenetlenme analizi ile ilaç geliştirme sürecinde maliyet azaltılmakta ve zamandan tasarruf sağlanmaktadır. Bu çalışmada Faktör Xa ile Türkiye'de yetişen ve antikoagülan özelliğe sahip bitkilere ait fitokimyasallar arasındaki etkileşimler moleküler kenetlenme yöntemi ile araştırılmıştır. Alanyazın taraması ve veri tabanları kullanılarak 14 bitkiden 946 fitokimyasal belirlenmiştir. Analiz sonuçları protein içerisindeki referans ligand ve alanyazınla belirlenen referans değeri kullanılarak filtrelenmiş ve 16 fitokimyasal referansa eşit veya daha düşük bağlanma enerjisi göstermiştir. Yapılan ADME/T analizinde bu molekül içerisinden Moshamin'in (-9.2 kcal/mol) referansa kıyasla ilaç benzerliğinin ve farmokinetik özelliklerinin daha yüksek olduğu gözlemlenmiştir. Elde edilen bulgulara göre, belirlenen fitokimyalların Faktör Xa inhibitörü olarak kullanılabilirliği ile birlikte bu fitokimyasalların YDP tedavisindeki potansiyel kullanımlarını araştırmak için daha fazla çalışma gerekmektedir. Çalışmamızın yapılacak in vitro ve in vivo çalışmalara temel oluşturacağı düşünülmektedir.
Alzheimer tedavisine yönelik çeşitli kimyasal bileşiklerin moleküler modelleme yöntemleri ile incelenmesi
Alzheimer hastalığı (AH), yaşlılarda görülen demansın en yaygın türü olup hafıza, düşünme ve davranışlarda sorunlara neden olan geri dönüşü olmayan nörodejeneratif bir hastalıktır. AH, yaklaşık 55 milyondan fazla insanı etkileyerek dünya çapında ölüm nedenleri arasında beşinci sırada yer almaktadır. AH'nin patogenezi tam olarak anlaşılamamıştır. Etkili tedaviler olsa da mevcut ilaçların hiçbiri hastalığın ilerlemesini tamamen durduramamaktadır. Bu yüzden tedavi etkinliği daha yüksek ve yan etkileri daha az olan yeni ilaçlara ihtiyaç duyulmaktadır. Bu kapsamda bu tez çalışmasında, AH'nin tedavisinde kullanılan ilaçların önemli hedefi olan AChE ve BChE enzimlerine yönelik mevcut ilaç moleküllerinden daha etkin ve yan etkisi düşük yeni kimyasal bileşiklerin moleküler modelleme yöntemleri ile etkileşim mekanizmalarının moleküler seviyede incelenmesi hedeflenmiştir. Bu doğrultuda, 43 adet kalkon türevli bileşiğin AChE ve BChE enzimlerine yönelik etkileşim mekanizması moleküler kenetlenme (docking) yöntemi ile değerlendirilmiştir. Ayrıca, bu bileşiklerin in siliko farmakokinetik analizlerini değerlendirmek için Absorpsiyon, Dağılım, Metobolizma, Eliminasyon, Toksisite (ADMET) özellikleri incelenmiştir. Böylece, Alzheimer tedavisi için önemli rol oynayan AChE ve BChE enzimlerine yönelik bileşiklerin moleküler modelleme yöntemleri ile araştırılması sayesinde hedefe yönelik spesifik yeni ilaç adayı bileşiklerinin geliştirmesine imkân sağlanacaktır.
Hemşirelerin bilişim yetkinlikleri ve teknolojiye bağlı streslerinin iş performansları üzerine etkisinin belirlenmesi
Araştırma, hemşirelerin bilişim yetkinlikleri ve teknolojiye bağlı streslerinin iş performansları üzerine etkisini belirlemek amacıyla yapılmıştır. Tanımlayıcı kesitsel olarak gerçekleştirilen çalışmaya 147 hemşire alınmıştır. Verilerin toplanmasında, "Tanıtıcı Özellikler Formu", "TIGER Temelli Hemşirelik Bilişimi Yetkinliklerini Değerlendirme Aracı", "Tekno-stres Ölçeği" ve "Bireysel İş Performansı Ölçeği" kullanılmıştır. Veriler, t testi, Mann Whitney U testi, Kruskal Wallis testi, Pearson korelasyon ve linneer regresyon (stepwise) analizi ile değerlendirilmiştir. Lineer regresyon (stepwise) analizine göre TIGER Temelli Hemşirelik Bilişim Yetkinlikleri Değerlendirme Aracı'nın dört faktörü ve TSÖ'nin bir faktörü BİPÖ üzerinde etkili bulunmuştur (p<0.05). Söz konusu değişkenler BİPÖ toplam puanındaki değişimin %29.0'unu açıklamaktadır (R2= 0.290). Modele göre TSÖ'nin "Tekno-Karmaşıklık" alt boyut toplam puanı ile BİPÖ toplam puanının negatif yönde anlamlı bir ilişki gösterdiği tespit edilmiştir (p<0.001). Lineer regresyon (stepwise) analizine göre teknostres ölçeğinin tekno-karmaşıklık alt boyutunun bireysel iş performansını negatif yönde etkilediği saptanmıştır (R2= 0.138, B= -0.305, p< 0.001). TIGER Temelli Hemşirelik Bilişim Yetkinlikleri Değerlendirme Aracı ve TSÖ toplam puanının BİPÖ toplam puanı üzerindeki lineer regresyon (stepwise) analizine göre TSÖ'nin model için anlamlı olduğu bulunmuştur. Modele göre TSÖ toplam puanı ile BİPÖ toplam puanının negatif yönde anlamlı bir ilişki gösterdiği belirlenmiştir (p<0.001). TSÖ toplam puanı bir birim arttıkça BİPÖ toplam puanı 0.3 birim azalmaktadır (B= -0.332, p< 0.001). Söz konusu değişken BİPÖ toplam puanındaki değişimin %12.0'sini açıklamaktadır (R2= 0.120). Sonuç olarak, hemşirelerin tekno-karmaşıklık ve genel teknostes düzeylerindeki artış ile bireysel iş performanslarının azaldığı belirlenmiştir. Elde edilen bu sonuçlar doğrultusunda, hemşirelerin teknostres düzeylerinin azaltılmasına yönelik eğitimlerin verilmesi önerilmektedir.
Glioma alt tiplerinin mRNA ekspresyon verileri kullanılarak makine öğrenmesi yöntemleri ile sınıflandırılması
Gliomalar, beyin tümörleri arasında en sık görülen türlerden biridir. Histopatolojik olarak düşük dereceli ve yüksek dereceli gliomalar olmak üzere iki gruba ayrılır. Hızlı büyüme ve erken yayılım özellikleri gösteren malign (kötü huylu) bir tür olan glioblastoma multiforme (GBM), yüksek mortalite ve nüks oranlarıyla son derece agresif bir tümördür. Gliomaların kesin nedeni bilinmemekle birlikte, farklı tedavi yaklaşımlarına rağmen genellikle kötü prognoz ve nüksü kaçınılmazdır. Bu nedenle, gliomaların doğru sınıflandırılması, erken teşhisi ve etkili tedavisi büyük önem taşımaktadır. Kişiye özgü tedavi planlamasının yapılabilmesi için tümör derecesinin doğru bir şekilde belirlenmesi gerekmektedir. Bu tez çalışmasında, glioma tanısı alan hastalara ait mRNA ekspresyon verilerinden faydalanılarak tümörlerin yüksek dereceli (Glioblastoma Multiforme-GBM) ve düşük dereceli gliomalar (Low-Grade Glioma LGG) olarak sınıflandırılması amaçlanmıştır. Makine öğrenmesi, genetik verilerin moleküler seviyede analizine olanak tanıyan ve büyük veri analizi için yaygın olarak kullanılan etkili bir yöntemdir. Bu bağlamda, yapılan tez çalışmasında makine öğrenmesi yöntemlerinden olan Naive Bayes ve destek vektör makinesi kullanılmıştır. Geliştirilen en başarılı tahmin modeli %100 duyarlılık, %98 özgüllük ve %99 doğruluk değerleri ile radial tabanlı destek vektör makinesi olarak belirlenmiştir. Gliomaların alt tiplerine göre doğru sınıflandırılması sayesinde kişiye özel tedavi yaklaşımlarına katkı sağlayacaktır. Anahtar Sözcükler: Destek vektör makinesi, Genetik, Glioma, Makine öğrenmesi, mRNA, Sınıflama
Genişletilmiş lateral inhibisyon yöntemiyle oct verileri üzerinden retinal hastalıkların sınıflandırılması
Bu tez çalışması, Optik Koherens Tomografi (OCT) görüntüleri üzerinden retinal hastalıkların otomatik olarak sınıflandırılması amacıyla lateral inhibisyon prensibini entegre eden yenilikçi bir derin öğrenme modeli geliştirmeyi hedeflemektedir. Retina hastalıkları, küresel ölçekte ciddi görme kaybına yol açmakta olup, erken ve doğru tanının önemi büyüktür. Geleneksel yöntemlerle OCT görüntülerinin manuel analizi, zaman alıcı ve hata payı yüksek bir süreçtir. Bu durum, makine öğrenimi destekli analiz yöntemlerine olan ihtiyacı belirgileştirmiştir. Son yıllarda derin öğrenme teknikleri, retinal hastalıkların sınıflandırılması görevlerinde yüksek doğruluk oranları sağlamıştır. Ancak biyolojik esinlenmeli yaklaşımların bu alandaki potansiyeli yeterince incelenmemiştir. Bu çalışmada, biyolojik sinir ağlarında bulunan lateral inhibisyon mekanizmasından esinlenerek, bunun derin öğrenme mimarilerine entegre edilmesiyle, retinal hastalıkların daha etkin sınıflandırılmasına yönelik bir model geliştirilmiştir. DenseNet121, InceptionV3, ResNet50 ve Xception gibi popüler CNN mimarileri kullanılarak elde edilen sonuçlar, lateral inhibisyonun genel model performansını belirgin ölçüde artırdığını göstermiştir. Yapılan karşılaştırmalı analizlerde lateral inhibisyon uygulanan modellerin özellikle CNV ve DME sınıflarında daha yüksek F1-skorları ve doğruluk değerleri elde ettiği tespit edilmiştir. Sonuçlar, lateral inhibisyon prensibinin derin öğrenme modellerine entegrasyonunun OCT görüntülerinin sınıflandırılmasında önemli bir performans artışı sağladığını ortaya koymaktadır. Bu yaklaşımın klinik ortamlarda retinal hastalıkların erken ve doğru teşhisine katkıda bulunacağı düşünülmektedir. Gelecekte yapılacak çalışmaların, farklı tıbbi görüntüleme yöntemleri ve daha geniş veri setleri üzerinde lateral inhibisyon prensibinin etkisini inceleyerek, bu yöntemin klinik uygulamalarda yaygın olarak kullanılabileceği düşünülmektedir.
Epilepside kopya sayısı varyasyonlarının araştırılması
Epilepsi, bir nöron grubunda ortaya çıkan anormal, aşırı ve eşzamanlı elektriksel deşarjlara bağlı yineleyici nöbetlerle seyreden yaygın bir nörolojik bozukluk olarak tanımlanmaktadır. Dünya genelinde 50 milyondan fazla kişiyi etkilediği ve prevalansının her 1000 kişide yaklaşık 7.6 olgu olduğu bildirildi. Epilepsi genetik, yapısal, enfeksiyöz, metabolik, immün ve bilinmeyen nedenlere bağlı olarak ortaya çıkmakla birlikte, olguların %40–60'ının genetik kökenli olduğu gösterildi. Mevcut çalışmalar, epileptogenezde doğrudan rol oynadığı değerlendirilen yaklaşık 300 gende insersiyon/delesyon (indel) ve tek nükleotit varyantlarının (SNV) tanımlandığını; ayrıca nörogelişimsel süreçlerle ilişkili 500'den fazla epilepsi geninin rapor edildiğini göstermektedir. Buna ek olarak, kopya sayısı varyasyonlarının (CNV) epileptogenezde anlamlı bir rol üstlendiği gösterildi ve farklı epilepsi tiplerinde CNV sıklığının %5 ile %12 arasında seyrettiği bildirildi. Bu çalışmada, kısa varyant analizi sonucunda genetik tanı konulamayan 102 epilepsi hastasına ait tüm ekzom dizileme verileri yeniden işlenerek kopya sayısı varyasyonları araştırıldı. Gerçekleştirilen biyoenformatik analizler ve moleküler doğrulama sonrasında 8 hastada kliniği açıklayabilecek kopya sayısı varyasyonları tespit edildi.