PREDICTION OF MONKEYPOX INFECTION FROM CLINICAL SYMPTOMS WITH ADAPTIVE ARTIFICIAL BEE COLONY-BASED DEEP NEURAL NETWORK
| dc.contributor.author | Muhammed Kalo Hamdan, Ahmed | |
| dc.date.accessioned | 2023-12-01T10:53:04Z | |
| dc.date.available | 2023-12-01T10:53:04Z | |
| dc.date.issued | 2023-11 | |
| dc.department | Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | In 2022, the World Health Organization (WHO) declared an outbreak of monkeypox, a viral zoonotic disease. With time, the number of infections with this disease began to increase in most countries. A human can contract monkeypox by touching with an infected human, or even by touch with animals. In this thesis, diagnostic model for early detection of monkeypox infection based on artificial intelligence methods is proposed. The proposed method is based on training the Artificial Neural Network (ANN) with the Adaptive Artificial Bee Colony (aABC) Algorithm for the classification problem. In the study, the ABC algorithm was preferred instead of classical training algorithms for ANN because of its effectiveness in numerical optimization problem solutions. The ABC algorithm consists of food and limit parameters and three procedures: employed, onlooker and scout bee. In the algorithm standard, artificial onlooker bees are produced as much as the number of artificially employed bees and an equal number of limit values are assigned for all food sources. In the advanced adaptive design, different numbers of artificial onlooker bees are used in each cycle, and the limit numbers are updated. For effective exploitation, onlooker bees tend towards more successful solutions than the average fitness value of the solutions, and limit numbers are updated according to the fitness values of the solutions for efficient exploration. The system was trained and tested on a dataset representing the clinical symptoms of monkeypox infection. The dataset consists of 240 suspected cases, 120 of which are infected and 120 typical cases. The proposed model's results were compared with those of ten other machine-learning models trained on the same dataset. The Deep Learning model achieved the best result with an accuracy of 75%. It was followed by the Random Forest model with an accuracy of 71.1%, while the proposed model came third with an accuracy of 71%. | en_US |
| dc.description.abstract | 2022'de Dünya Sağlık Örgütü (WHO), viral zoonotik bir hastalık olan maymun çiçeği salgını ilan etti. Zamanla çoğu ülkede bu hastalığa yakalananların sayısı artmaya başladı. Bir insan, enfekte bir insanla doğrudan temas yoluyla veya hatta hayvanlarla temas yoluyla maymun çiçeği hastalığına yakalanabilir. Bu çalışmada, maymun çiçeği enfeksiyonunun erken teşhisi için yapay zekâ yöntemlerine dayalı bir tanı modeli önerilmiştir. Önerilen yöntem, Yapay Sinir Ağının (YSA) sınıflandırma problemi için Adaptif Yapay Arı Kolonisi (aYAK) Algoritması ile eğitilmesine dayanmaktadır. Çalışmada YSA için klasik eğitim algoritmaları yerine sayısal optimizasyon problemlerinin çözümündeki etkinliğinden dolayı YAK algoritması tercih edilmiştir. YAK algoritması yiyecek ve limit parametrelerinden ve üç prosedürden oluşur: işçi, gözcü ve kâşif arı. Algoritma standardında yapay işçi arı sayısı kadar yapay gözcü arı üretilmekte ve tüm besin kaynakları için eşit sayıda sınır değer atanmaktadır. Gelişmiş uyarlanabilir tasarımda, her döngüde farklı sayıda yapay gözcü arı kullanılır ve limit sayıları güncellenir. Etkili kullanım için gözcü arılar, çözümlerin ortalama uygunluk değerinden daha başarılı çözümlere yönelmekte ve verimli keşif için çözümlerin uygunluk değerlerine göre sınır sayıları güncellenmektedir. Sistem, maymun çiçeği enfeksiyonunun klinik semptomlarını temsil eden bir veri seti üzerinde eğitildi ve test edildi. Veri seti, 120'si enfekte ve 120 tipik vaka olmak üzere 240 şüpheli vakadan oluşuyor. Önerilen modelin sonuçları, aynı veri kümesi üzerinde eğitilmiş diğer on makine öğrenimi modelinin sonuçlarıyla karşılaştırıldı. Derin Öğrenme modeli, %75 doğrulukla en iyi sonucu elde etti. Onu %71,1 doğrulukla Random Forest modeli takip ederken, önerilen model %71 doğrulukla üçüncü oldu." | en_US] |
| dc.identifier.uri | https://hdl.handle.net/20.500.14619/3105 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHKIeEJMG99E8gpfKSSaCWCpqKUQ8HRftAw8c3M_0YZ0U | |
| dc.identifier.yoktezid | 843731 | en_US |
| dc.language.iso | en | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Monkeypox | en_US |
| dc.subject | Monkeypox Clinical Symptoms | en_US |
| dc.subject | Machine Learning | en_US |
| dc.subject | Artificial Neural Network | en_US |
| dc.subject | Artificial Bee Colony Algorithm | en_US |
| dc.subject | Adaptive Artificial Bee Colony Algorithm. | en_US |
| dc.subject | Maymun Çiçeği Hastalığı | en_US |
| dc.subject | Maymun Çiçeği Hastalığının Klinik Belirtileri | en_US |
| dc.subject | Makine Öğrenimi | en_US |
| dc.subject | Yapay Sinir Ağı | en_US |
| dc.subject | Yapay Arı Kolonisi Algoritması | en_US |
| dc.subject | Adaptif Yapay Arı Kolonisi Algoritması. | en_US |
| dc.title | PREDICTION OF MONKEYPOX INFECTION FROM CLINICAL SYMPTOMS WITH ADAPTIVE ARTIFICIAL BEE COLONY-BASED DEEP NEURAL NETWORK | en_US |
| dc.title.alternative | ADAPTİF YAPAY ARI KOLONİ TABANLI DERİN SİNİR AĞI İLE KLİNİK BELİRTİLERDEN MAYMUN ÇİÇEĞİ ENFEKSİYONUNUN TAHMİNİ | en_US |
| dc.type | Master Thesis | en_US |
