PEKİŞTİRMELİ ÖĞRENMENİN SAĞLIK ALANINDA UYGULANMASI
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Enformatik Bölümü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: MUHAMMET KARADENİZ
Danışman: Çiğdem Erol
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yapay zekâ teknolojilerinin gelişimi, özellikle kronik hastalıkların yönetimi ve teşhis süreçlerinde yapay zekâ kullanımının potansiyelini önemli ölçüde artırmaktadır. Böylelikle, diyabet gibi yaygın ve karmaşık sağlık sorunlarının teşhisi ve tedavisi için daha etkili ve dinamik çözümler geliştirmek mümkün hale gelmektedir. Bu ve benzeri gelişmeler, geleneksel yöntemlere alternatif olarak yeni ve yenilikçi çözümlerin araştırılmasını zorunlu kılmakta ve araştırmacıları bu alanda derinlemesine çalışmalar yapmaya teşvik etmektedir. Bu nedenle, bu doktora tezinin temel amacı, diyabet hastalığı teşhisi için yaygın olarak kullanılan geleneksel sınıflandırma algoritmalarına alternatif olarak farklı öğrenme yöntemleri ve algoritmalarını kullanarak geliştirilen modellerin etkinliğini ve potansiyelini araştırarak pekiştirmeli öğrenmenin sağlık alanında kullanılma potansiyelini değerlendirmektir. Bu amaç doğrultusunda; veri seti, model ve güncelleme yaklaşımı olmak üzere üç faktör belirlenmiştir. Veri seti faktörü için; veri ön işleme adımları uygulanarak elde edilen 764 satırdan oluşan orijinal veri seti ("O" veri seti varyasyonu) ile random under sampling ("RUS" veri seti varyasyonu), random over sampling ("ROS" veri seti varyasyonu) ve SMOTE ("S" veri seti varyasyonu) yöntemleri ile dengelenmiş toplam dört veri seti varyasyonu oluşturulmuştur. Model faktörü için; Ayrık Doğrusal Modeller ile LinUCB algoritmasının sınıflandırma problemlerinde kullanımı için uyarlanmış modeli ("O_LinUCB"), her zaman tüm kollarda güncelleme yapılan model ("ES_LinUCB") ve sadece kollara ait üst güven sınırlarında eşitlik olması durumunda tüm kollarda güncelleme yapan model ("OT_LinUCB") olmak üzere toplam üç model varyasyonu oluşturulmuştur. Güncelleme yaklaşımı faktörü için ise; model performanslarının ölçüldüğü test aşamasında kullanılmak üzere, algoritmanın yapısında da bulunan çevrimiçi öğrenme yöntemi yaklaşımının kullanılıp kullanılmaması yani güncelleme yapılıp ("Var") yapılmaması ("Yok") olmak üzere iki güncelleme yaklaşımı varyasyonu oluşturulmuştur. Çapraz doğrulama yöntemi kullanılarak; bu üç faktöre ait varyasyonlar ile 24 farklı uygulama yapılmış ve bu faktörlerin performans değerlendirme metrik sonuçlarına olan etkisi detaylı bir şekilde analiz edilmiştir. Bu tez çalışmasının sonuçlarına göre; dengeli veri seti kullanımı ("RUS", "ROS", "S") duyarlılık, kesinlik, F-ölçüsü, AUC ve Cohen kappa katsayısı metrikleri açısından oldukça önemlidir. Özellikle SMOTE tekniği ile dengelenen veri setinin ("S"), çoğu durumda en iyi duyarlılık, F-ölçüsü, AUC ve Cohen kappa katsayısı sonuçlarına ulaştığı görülmüştür. Ayrıca; "OT_LinUCB" varyasyonunun, işlem sayısı ve maliyeti açısından daha etkili olduğu belirlenmiştir. Bununla birlikte; test aşamasında da güncelleme yapılması ("Var"), özellikle dengelenmiş veri setlerinin kullanıldığı çalışmalarda etkili olmuş ve modelin genel performansını önemli ölçüde iyileştirmiştir. Bu sonuçlar, önerilen yöntemlerin diyabet teşhisi ve tedavisine yönelik modellerin geliştirilmesinde güçlü bir potansiyele sahip olduğunu göstermektedir. Ayrıca, bu çalışma diyabet hastalığının erken teşhis edilmesine yönelik stratejik çözümler geliştirilmesine ve hekimlerin iş yükünü azaltacak karar destek sistemleri geliştirilmesine katkı sağlayacaktır.