Açıklanabilir yapay zekâ yöntemlerine dayalı bilgisayar destekli tahmin modelinin geliştirilmesi: metabolomik teknolojileri üzerine uygulaması
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İnönü Üniversitesi, Sağlık Bilimleri Enstitüsü, Biyoistatistik ve Tıbbi Bilişim, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: FATMA HİLAL YAĞIN
Danışman: Harika Gözde Gözükara Bağ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı polikistik over sendromunun (PKOS) tanısında uygun metabolomik biyobelirteçlerin biyoinformatik ve yapay zekâ (AI) yaklaşımları ile saptanması, ağaç tabanlı makine öğrenme (ML) yöntemleri kullanılarak PKOS için prognostik bir modelin geliştirilmesi ve açıklanabilir AI (XAI) kullanılarak optimal modelin klinik olarak yerel ve küresel açıdan yorumlanmasıdır. Materyal ve Metot: Veri seti 22 kontrol ve 67 PKOS hastasına ilişkin serum örneklerine uygulanan metabolomik analizler sonucu elde edilen 70 metabolitten oluşmaktadır. PKOS'un moleküler alt yapısını inceleyebilmek için benzerlik ağ, kümelemeye dayalı ısı haritası ve yolak zenginleştirme analizleri uygulandı. Biyobelirteç keşfi için kat değişimi, kısmi en küçük kareler diskriminant analizi (PLS-DA) projeksiyon değişken önem (VIP) skoru, Boruta ve minimum artıklık ve maksimum alaka (MRMR) yöntemleri kullanıldı. Bu dört yöntemde ortak olan metabolitler biyobelirteç olarak belirlendi ve altı farklı ağaç tabanlı ML algoritması [rastgele orman, kategorik arttırma (CatBoost), aşırı gradyan arttırma (XGBoost), hafif gradyan artırma makinesi (LightGBM), uyarlanabilir arttırma (AdaBoost) ve doğal gradyan arttırma (NGBoost)] kullanıldı. Optimal modelin klinik açıklamaları yorumlanabilir model-agnostik açıklamalar (LIME) ve Shapley katkı açıklamaları (SHAP yöntemleri) ile incelendi. Bulgular: Taurolitokolik asit (M-H)-, Hipoksantin (M-H)-, Homovanilik asit (2M-H)-, S-Adenosil-L-Homosistein (M-H)-, Tridekanoik asit (M-H)- ve Süksinik asit (M-H)- biyobelirteç olarak belirlendi. Optimal tahmin modeli XGBoost için doğruluk, AUC ve duyarlılık ölçütleri sırasıyla %92.3, %95.4, %90.9 skoruna sahipti. LIME sonuçlarına göre %100 olasılıkla PKOS olarak tahmin edilen bir hastada özellikle Tridekanoik asit (M-H)- seviyesinin yüksek olması modelin doğru pozitif kararını açıkladı. SHAP açıklamalarında Tridekanoik asit (M-H)-, Süksinik asit (M-H)- ve Hipoksantin (M-H)- seviyelerindeki artışın, Homovanilik asit (2M-H)- ve Taurolitokolik asit (M-H)- seviyelerindeki azalmanın PKOS riskini arttırdığı gözlendi. Sonuç: Sonuç olarak XGBoost modeli PKOS'u başarılı bir şekilde tespit edebildi. Biyobelirteç metabolitlerin PKOS ile ilişkisinin anlaşılması, hastalığın moleküler düzeyde açıklanmasının yanısıra daha etkili tanı ve tedavi yöntemleri geliştirmek için önemlidir.