Tez No	İndirme	Tez Künye	Durumu
286358		Assessing and enhancing machine learning methods in ivf process: Predictive modeling of implantation and blastocyst development / Tüp bebek tedavi sürecinde yapay öğrenme yöntemleri: İmplantasyon ve blastosist gelişiminin kestirimci modellenmesi Yazar:ASLI UYAR ÖZKAYA Danışman: YRD. DOÇ. DR. AYŞE BENER Yer Bilgisi: Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Karar destek sistemleri = Decision support systems	Onaylandı Doktora İngilizce 2011 135 s.
Bu tezde tüp bebek tedavisinde klinik başarı oranlarının arttırılması için karar verme problemleri yapay öğrenme bakış açısı ile ele alınmıştır. İlk olarak, embriyo bazlı implantasyon tahmini için sınıflandırma tekniklerinin kapsamlı ve karşılaştırmalı bir analizi sunulmuştur. Aynı zamanda, özniteliklerin belirleyici etkileri değerlendirilmiş ve gereksiz değişkenler elenerek en iyi kestirim performansı oluşturan ideal öznitelik alt kümesi belirlenmiştir. Literatürde yer alan az sayıdaki ilgili çalışmada ifade edilenlerin aksine, başlangıç deneyleri sınıflandırıcı yöntemlerin tüp bebek tedavisinde potansiyel karar destek araçları olabileceğini göstermektedir. Çalışmanın devamında, metodolojik iyileştirmeler ya da veri kümesinin bilgi içeriğinin genişletilmesi ile tahmin performansının arttırılması üzerinde yoğunlaşılmıştır. İlk olarak, dengesiz sınıf dağılımı problemi ele alınmış ve karar eşik değerinin optimize edilmesi ile öğrenme kümesinin tekrar örneklenmesi benzer sonuçlar oluşturmuştur. İkinci olarak, kategorik özniteliklerin sürekli sayısal değerlere dönüştürülmesi için frekans tabanlı bir kodlama yöntemi önerilmiştir. Üçüncü olarak, hasta ve embriyo özelliklerine ek olarak, doktorların deneyimlerinin tedavi sonucuna olan etkisi incelenmiştir. Son olarak, blastosist skoru tahmini için Bayes Ağları yöntemi kullanılarak embriyo gelişim süreci modellenmiştir. Koşullu olasılık tablolarındaki parametrelerin daha iyi öğrenilebilmesi için yeni bir yöntem önerilmiştir. Deneylerde i) standard yapay öğrenme yöntemlerinin implantasyon ve blastosist skoru tahmininde kabul edilebilir başarı oranı elde ettiği ve ii) bu çalışmada önerilen yöntemler kullanılarak tahmin performansının arttırılabileceği görülmektedir. Bulgular klinik açıdan çoğul gebeliklerin azaltılması, embriyo kayıplarının azaltılması ve transfer iptallerinin engellenmesini sağlayacaktır.
In this thesis, we address the decision-making problems in in vitro fertilization treatment from the machine learning perspective aiming to increase the clinical success rates. Initially, we present a comprehensive and comparative analysis of the classification techniques in embryo-based implantation prediction. In parallel, we evaluate the predictor effects of input features in order to eliminate the redundant variables and decide the optimum feature subset leading to the highest prediction performance. In contrast to the limited relevant literature, our preliminary experiments demonstrate the potential of machine learning classifiers as an automated decision support tool in critical decisions affecting the success of the treatment. Later, we focus on improving the classification performance either by algorithmic enhancements or by improving the information content of the data. First, we handle the problem of imbalanced class distribution and show that decision threshold optimization and re-sampling the trainingdata produce similar results. Second, we propose a frequency based encoding technique to efficiently transform categorical variables into continuous numeric values. And third, in addition to the patient and embryo characteristics, we investigate the effect of individual physicians as a human factor on the pregnancy outcome. Finally, we apply Bayesian Networks to model the embryo growth process with the objective of blastocyst score prediction. We propose a novel approach to adjust the frequency estimatesfor parameter learning in conditional probability tables. The results of the experiments show that (i) the standard machine learning algorithms enable acceptable prediction of implantation and blastocyst score and ii) the prediction performance can be improved by using the proposed techniques in this study. From the clinical perspective, our results have practical implications in reducing multiple pregnancies, preventing waste of embryos and cancelation of transfers.