Gallstone Detection using Machine Learning Algorithms with Metaheuristics
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Yıldırım Beyazıt Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Öğrenci: CANSU ÇALIŞKAN TAMER
Danışman: TUBA ÇAĞLIKANTAR
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Safra taşı hastalığı, dünya çapında büyük bir nüfusu etkileyen önemli bir sağlık sorunudur. Görüntüleme teknikleri safra taşı tespiti için yaygın olarak kullanılsa da pahalı olabilmekte ve bazen yanlış sonuçlar verebilmektedir. Etkinlikleri operatör becerisi, görüntüleme çözünürlüğü, taş bileşimi ve hastaya özgü koşullar gibi faktörlere bağlıdır. Manyetik rezonans görüntüleme ve endoskopik ultrason gibi teknikler de pahalı ekipman ve özel uzmanlık gerektirdiğinden daha az erişilebilirdir. Bu çalışmada, görüntüleme teknikleri yerine yapay zeka kullanarak biyoimpedans ve laboratuvar verilerinden safra kesesi taşlarını tahmin etmek için yeni bir yöntem sunuyoruz. Veri setimiz yaş, cinsiyet, kan parametreleri ve biyoimpedans verileri dahil olmak üzere 38 parametre içermektedir. Safra taşı hastalığını tanımlamak için ayırt edilebilir özelliklerin seçilmesi, sınıflandırma performansını artırmada kritik bir adımdır. Bu çalışmada, yeni bir topluluk özellik seçimi yöntemi öneriyoruz. Bunu başarmak için, öncelikle minimum redundansi maksimum alaka, ki-kare testi, varyans analizi, Kruskal-Wallis olmak üzere dört istatistiksel özellik seçim yöntemi ve ardından gri kurt optimizasyonu, balina optimizasyon algoritması, harris hawk optimizasyonu ve parçacık sürüsü optimizasyonu olmak üzere dört metasezgisel özellik seçim yöntemi uyguluyoruz. Önerilen topluluk özellik seçim yöntemi, safra kesesi taşlarını tanımlamak için en etkili özellikleri belirlemek üzere dört istatistik ve dört metasezgisel yöntem arasından en az yedi yöntemle seçilen özellikleri seçer. Seçilen özelliklerin etkinliğini değerlendirmek için lojistik regresyon, Naive Bayes, destek vektör makinesi, karar ağacı, k-en yakın komşu, gradyan artırma, Adaboost, rastgele orman ve sınıflandırma için çok katmanlı perceptron yöntemleri uygulanmaktadır. Önerilen topluluk özellik seçimi yöntemini kullanan rastgele orman, 38 özellik yerine 11 özellik kullanarak 90.62\% ile en yüksek doğruluğa ulaşmaktadır. Önerilen özellik seçim yöntemi, sınıflandırma karmaşıklığını azaltmakta ve doğruluk ile seçilen özellik sayısı açısından mevcut yöntemlere göre üstünlük sağlamaktadır.