Sağdan sansürlü sağkalım analizinde makine öğrenmesinde sınıflandırma algoritmaların kullanımı
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Fen Fakültesi, İstatistik Bölümü, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: Türkçe
Öğrenci: PELİN AKIN
Danışman: Yüksel Terzi
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda makine öğrenmesi teknikleri sağlık alanında özellikle hastalık prognozu ve tahmini için yaygın bir şekilde kullanılmaktadır. Sansürlü verilerin yer aldığı sağkalım analizinde ise makine öğrenmesi son yıllarda kullanılmaya başlanmıştır. Sansürlü veri ile bireyin yaşam süresi hakkında her zaman tam bir bilgiye ulaşılamayabilir. Bu tip verileri modellemek için genellikle Cox regresyon yöntemi, Kaplan-Meier teknikleri kullanılmaktadır. Bu çalışmada, sağkalım analizi yöntemlerinde makine öğrenme teknikleri kullanılmıştır. Makine öğrenme teknikleri kullanılmadan önce sansürlü verilere Kaplan-Meier tahmin edicisi ile ön işlem uygulanmıştır. Çalışmada ilk olarak sağkalım analizi hakkında bilgi verilmiştir. Daha sonra, makine öğrenme ve sınıflandırma yöntemlerinden Naive Bayes, Karar ağacı, Rastgele Orman ve Destek Vektör Makineleri yöntemleri tanıtılmıştır. Son olarak makine öğrenme sınıflama algoritmalarının performansları karşılaştırılmıştır. Bu çalışmanın uygulama kısmında iki farklı veri ve simülasyon verisi olmak üzere üç uygulama yapılmıştır. Uygulama I akut lösemi hastalarına ait veridir. Uygulama II akut lösemi veri setinden (Uygulama I) elde ettiğimiz korelasyon matrisi kullanılarak, dört farklı örneklem büyüklüğünde üretilen veriler kullanılmıştır. Uygulama III ise R programında bulunan kolon kanseri verisidir. Uygulamalarda veriler Kaplan-Meier yöntemi kullanılarak, veri makine öğrenme algoritmasına uygun hale getirilmiştir. Daha sonra sınıflandırma algoritmalarından Naive Bayes, Karar Ağacı, Rastgele Orman ve Destek Vektör Makineleri yöntemleri veri setlerine uygulanmıştır. Bu algoritmaları karşılaştırmak için performans ölçütlerinden doğruluk, ROC eğrisinin altında kalan alan (AUC) ve F skoru kullanılmıştır. Makine öğrenme sınıflama algoritmalarının performansları karşılaştırıldığında; Uygulama I'de Rastgele Orman, Uygulama II'de Naive Bayes ve Uygulama III'de ise Naive Bayes en iyi performansı göstermiştir. Son olarak bu veri setlerine Cox regresyon yöntemi uygulandı. En iyi performansı gösteren algoritmayla ile Cox regresyon yöntemini karşılaştırmak için AUC değerleri kullanıldı. Analiz sonucunda bu iki yönteminde sonuçlarının birbirine yakın olduğu görüldü. Ancak örneklem sayısı arttığında Cox regresyon yönteminin başarısı düşmekte, makine öğrenme yönteminin ise artmıştır. Sağkalım analizi çalışmalarında makine öğrenmesi kullanılarak kanser hastalarının mortalite durumu veya hastalık nüksü hakkında önemli sonuçlara ulaşılabilmektedir. Sonuç olarak; makine öğrenmesi yönteminin Cox regresyon yöntemine alternatif olarak kullanılabileceği görülmüştür.