Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: ETHEM KARAL
Danışman: TURAN METİN
Özet:ÖZET Bu çalışma, makine öğrenmesi, veri madenciliği ve yapay zeka teknolojileri kullanılarak, hastaya tanı konulmasını kolaylaştırmayı hedeflemektedir. Doğal dil işleme süreçleri ile hasta anamnezleri değerlendirilerek, tanı koymada yardımcı bir sistem oluşturulmuştur. Oluşturulan sistem ile hastadan anamnez alınırken her bir hastalık belirtisi içeren konu başlığı önce anlamlandırılır, sonra kategorize edilerek eğitim yapılır. Karar Ağaçları, Torbalama, Arttırma, CNN ve Siyam Ağı kullanılarak öğrenme işlemleri gerçekleştirilmiştir. Hastalıkların belirtileri öykü alma sırasında değerlendirilmiştir. Covid-19 gibi pandemi dönemlerinde ya da belirtileri/tedavi yöntemleri/hasta sayısı konularında az veriye sahip olunan dönemlerde, sağlık çalışanlarına ve sağlık sistemine yardımcı bir sistem geliştirilmesi hedeflenmiştir. Pandemi gibi dönemlerde, sağlık çalışanlarına hızlı çözüm önerileri sunarak yardımcı olabilen ve sağlık sistemine destekleyici olabilecek yöntem ve metotların geliştirilmesi üzerinde durulmuştur. Bu çalışmada alınan veriler ile belirlenmiş olan yöntemler sayesinde büyük doğruluk oranı ile hastalık tanısı koyulması sağlanmıştır. Hastanın anamnez verilerini değerlendiren sistem, hekime olası sonuçların listesini sunarak hekimin işini kolaylaştırmıştır. Yapay zekanın sonuçlarını değerlendirerek sonuçlara katılmak ya da katılmamak ise tamamen doktorun tercihine bırakılmıştır. Anahtar Kelimeler: Doğal dil işleme, hastalık tespit sistemi, makine öğrenmesi, yapay sinir Ağı, yapay zeka. ABSTRACT This article aims to facilitate the diagnosis of the patient by using machine learning, data mining and artificial intelligence technologies. With natural language processing processes, patient anamnesis was evaluated and an auxiliary system was created for diagnosis. While taking anamnesis from the patient with the system created, each topic containing the symptoms of the disease is first evaluated, then categorized and trained. Learning operations were carried out using Decision Tree, Bagging, Boosting, CNN and Siamese Network. Symptoms of the diseases were evaluated during history taking. It is aimed to develop a system that assists health workers and the health system in pandemic periods such as Covid-19 or in periods when there is little data on symptoms / treatment methods / number of patients. This system created; helped doctors diagnose patients' ailments with higher accuracy and efficiency. In line with all the information obtained in this study; By using machine learning methods, Neural Network and Siamese Network, it is aimed to diagnose the correct disease and to create an auxiliary system for the health system. The system, which evaluates the patient's anamnesis data, has facilitated the physician's work by presenting a list of possible results to the physician. Evaluating the results of artificial intelligence, whether or not to agree with the results is entirely up to the doctor's choice. Keywords: Artificial intelligence, artificial neural network, disease detection system, machine learning, natural language processing. İÇİNDEKİLER İÇİNDEKİLER . i ÖZET . ii ABSTRACT . iv TEŞEKKÜR . vi ŞEKİLLER LİSTESİ . vii ÇİZELGE LİSTESİ . ix 1. GİRİŞ. 1 2. LİTERATÜR ÖZETİ . 3 3. YAPAY ZEKA YÖNTEMİ KULLANARAK ÖYKÜ (ANAMNEZ) ALMA . 3 3. 1. Öykü (Anamnez) Alma . 3 3. 2. Öykü (Anamnez) Almanın Önemi . 3 3. 3. Ökü (Anamnez) Alma Anket Sonuçları . 9 3. 4. Vücut Kitle İndeksinin Bu Araştırma İçin Önemi . 13 3. 5. Anamnez ile Alınan Verilerin Anlamlandırılmasında Metin Temizleme . 14 3. 5. 1. Ön İşleme . 14 3. 5. 1. 1. Stem . 15 3. 5. 1. 2. Root . 15 3. 5. 1. 3. Stemming (Kök Bulma) . 15 3. 5. 1. 4. Lemmatization . 16 3. 5. 1. 5. Tokenizing . 16 3. 6. Anamnez ile Alınan Sonuçların Kategorik Hale Getirilip Eğitilmesi . 16 4. ANAMNEZ SIRASINDA ALINAN VERİLERİN EĞİTİM AŞAMASI . 19 4. 1. Öğrenme Süreci . 19 4. 2. Karar Ağaçları . 19 4. 2. 1. Bilgi Kazanımı . 20 4. 2. 2. Gini . 21 4. 3. Ensemble Yöntemler (Topluluk Öğrenme) . 23 4. 3. 1. Torbalama (Bagging) . 24 4. 3. 2. Artırma (Boosting) . 28 4. 4. Yapay Sinir Ağları . 33 4. 5. Siyam Ağı (Siamese Network) Kullanılarak Öğrenme . 37 4. 5. 1. RNN çalışması . 37 4. 5. 2. LSTM . 38 4. 5. 3. BLSTM (Çift Yönlü Kısa Süreli Bellek) . 39 4. 5. 4. Siyam Ağı (Siamese Network) . 43 4. 5. 5. BLSTM ve Siyam Ağı (Siamese Network) kullanılarak öğrenme 44 5. SONUÇ VE ÖNERİLER . 51 KAYNAKLAR . 52 ÖZGEÇMİŞ . 55