Akademik Veri Yönetim Sistemi
Tez Türü: Doktora
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Türkiye
Tez Danışmanı: Prof. Dr. Elif Kılıç Delice
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Özet:
Bu tez çalışmasında, hekimlerin salgın hastalıkları hızlı ve doğru bir şekilde tespit edebilmeleri için yapay zeka tabanlı yeni bir Klinik Karar Destek Sistemi (KKDS) ve bu sisteme yönelik kullanıcı dostu arayüz geliştirilmesi amaçlanmıştır. Geliştirilen "panCdss-pandemic-Clinical decision support system" adlı KKDS dünya çapında milyonlarca insanın hayatını ve sağlık durumunu olumsuz yönde etkileyen covid-19 ile maymun çiçeği salgın hastalıklarının tespitinde kullanılmıştır. Yöntem: Çalışmada, akciğer Bilgisayarlı Tomografi (BT) taramaları ve göğüs X-ray görüntülerinden covid-19 tespitinde ve cilt lezyon görüntülerinden ise maymun çiçeği tespitinde, yapay zeka tekniklerinden yedi farklı transfer öğrenme modeli (VGG16, VGG19, ResNet50, ResNet101, Xception, InceptionV3, MobileNetV2) kullanılmıştır. BT taramaları için modellerin sınıflandırma performansının daha da iyileştirilmesi amacıyla, özniteliklerin Evrişimli Sinir Ağı (ESA) modeliyle çıkarıldığı ve sınıflandırmanın makine öğrenmesi yöntemleriyle (Destek Vektör Makinesi – DVM, Lojistik Regresyon – LR, Rastgele Orman – RO) yapıldığı yeni hibrit modeller önerilmiştir. Bu modellerden elde edilen sonuçlar doğruluk, hassasiyet, duyarlılık ve F1 skoru performans metriklerine göre değerlendirilmiştir. Modellerden sınıflandırma performansı en yüksek olanlar panCdss sisteminde kullanılmıştır. Bulgular: Çalışma sonucunda, her bir veri seti için elde edilen en yüksek sınıflandırma değeri belirlenmiştir. Buna göre; ESA+RO hibrit modeli kullanılarak covid-19 BT veri seti için %91,71 doğruluk, %92,07 hassasiyet, %90,29 duyarlılık ve %91,71 F1 skoru; VGG16 modeli kullanılarak covid-19 X-ray veri seti için %99,56 doğruluk, %100 hassasiyet, %99,12 duyarlılık ve %99,55 F1 skoru; MobileNetV2 kullanılarak maymun çiçeği veri seti için %90,38 doğruluk, %93,32 hassasiyet, %88,11 duyarlılık ve %90,64 F1 skoru elde edilmiştir. Sonuç: PanCdss'nin salgın hastalıkların hızlı ve doğru sınıflandırılmasında başarıyla kullanılabileceği ve hekimlerin iş yükünün azaltılmasına yardımcı olabileceği düşünülmektedir. Önerilen panCdss'nin esnek ve dinamik yapısı, sadece salgın hastalıkların tespiti için değil, diğer hastalıkların teşhisinde kullanılabilecek şekilde geliştirilebilmeye imkan vermektedir. Bu tez çalışmasında önerilen KKDS, literatürde salgın hastalık tespiti için geliştirilen ilk KKDS'dir.