Gıyasettin Özcan

Kümes hayvancılığında optimal kesim zamanının doğru belirlenmesi, ekonomik verimlilik açısından öneme sahiptir. Geleneksel yöntemlerde, binlerce tavuğun manuel olarak değerlendirilmesi hem zaman alıcı hem de hatalara açık süreçtir. Bu çalışmada, broiler tavukların haftalık gelişim aşamalarını otomatik olarak tespit edebilen ve kesim zamanını belirleyebilen bilgisayarlı görü tabanlı sistem geliştirilmiştir. Muğla ili Seydikemer ilçesindeki tavuk kümeslerinden, tavukların birinci haftadan sekizinci haftaya kadar olan büyüme süreçlerini kapsayan özgün görüntü veri seti hazırlanılmıştır. Toplam 6.940 etiketli örnek içeren veri seti, farklı açı ve yoğunluk koşullarında çekilmiş görüntülerden oluşmaktadır. YOLO derin öğrenme mimarisi kullanılarak geliştirilen model, sekiz farklı gelişim aşamasını başarıyla ayırt edebilmektedir. Test sonuçlarına göre sistem, %98,74 kesinlik, %94,28 duyarlılık, %96,46 F1-skoru ve %96,49 ortalama ortalama hassasiyet değerlerine ulaşmıştır. Elde edilen performans metrikleri, literatürdeki benzer çalışmalardan daha iyi performans göstermiştir. Geliştirilen sistem, kümes hayvancılığında iş gücü ihtiyacını azaltmakta, insan kaynaklı hataları minimize etmekte ve optimal kesim zamanının belirlenmesinde güvenilir araç sunmaktadır. Sonuçlar, sistemin ticari uygulamalarda kullanılabilir düzeyde olduğunu ve kümes hayvancılığı süreçlerinin otomasyonuna önemli katkı sağlayabileceğini göstermektedir.

The differential diagnosis of Periodic Fever, Aphthous Stomatitis, Pharyngitis, and Cervical Adenitis (PFAPA) syndrome from recurrent upper respiratory tract infections (URTIs) and familial Mediterranean fever (FMF) presents significant clinical challenges due to shared symptomatic presentations. This study aimed to identify diagnostic variables that differentiate PFAPA from URTI and FMF by assessing similarities among cases based on demographic, clinical, and laboratory findings and subsequently forming homogeneous and heterogeneous groups. We included patients diagnosed with PFAPA syndrome, URTI, and acute FMF admitted to the hospital for fever attacks. Demographic data, clinical manifestations, and laboratory results were collected from medical records. Cluster analysis was applied to identify similarities and differences among patients based on these variables. A total of 566 patients (234 with PFAPA, 224 with FMF, 108 with URTI) were analyzed. Cluster analysis, based on demographic, medical history, and clinical/laboratory data, identified 3 distinct clusters: Cluster 1 (n = 231) consisted mostly of URTI patients, Cluster 2 (n = 233) of PFAPA patients, and Cluster 3 (n = 112) of FMF patients, with a similarity level of 0.357. Significant variables distinguishing PFAPA from both FMF and URTI ( P < .05) included recurrent fevers before the age of 5 years, the presence of aphthous stomatitis, cervical lymphadenitis, and pharyngitis, an asymptomatic course between fever attacks, metallic taste during attacks, and elevated C-reactive protein and serum amyloid A levels during attacks. This study provides a comprehensive evaluation of PFAPA, using clinical and laboratory characteristics, and complements existing diagnostic criteria for distinguishing PFAPA from conditions commonly confused with it, such as URTI and FMF. The identified differences across demographic, clinical, and laboratory domains provide a strong basis for improving standardized, accurate diagnostic approaches for these disorders.

Analyzing the relationship between drug efficacy and sensitivity to mutational profiles is necessary for the effective treatment of complex diseases such as cancer. Particularly, cancerous tissues undergo constant change as a result of ongoing mutations, and the sensitivity of drugs to cancer may change as a result of new mutations. For this purpose, this study aims to present a statistical analysis of drug–disease–gene interactions. Furthermore, a general processing pipeline and machine learning models were developed to predict the drug sensitivity of cancer cells according to genetic mutations. To achieve this, four well-known open-source databases, including drug sensitivity data from cancer cell lines, two somatic mutation data resources, and a gene-drug interaction database, were integrated to assess an enriched database. Next, various preprocessing techniques, including text encoding, filtering, and optimization, were implemented to attain an efficient new dataset for statistical analysis and machine learning. Statistical analyses were conducted to investigate gene–drug interactions on the enriched database and to quantify their relative contributions to drug sensitivity. On the other hand, developed machine learning models predict drug sensitivity from somatic mutation or drug interaction datasets. The research also includes ablation studies and feature importance to introduce a thorough analysis of gene and drug sensitivity. The developed pipeline not only yielded an R² of 0.91 in initial evaluations but also demonstrated robust generalizability by maintaining a 0.73 R² score in predicting AUC values across independent data sources. Overall, statistical analysis, machine learning performances, and ablation studies offer a new perspective on drug sensitivity prediction.

Bu çalışmada, tabular yapıda düzenlenmiş ERG verileri üzerinde makine öğrenmesi ve derin öğrenme algoritmalarının sınıflandırma performansları incelenmiştir. Çalışmada kullanılan veri seti açık kaynak olup, 106 bireyin (74 çocuk, 32 erişkin) ölçümlerinden oluşmaktadır. Veriler, ön işleme sürecinde yeniden yapılandırılmış, öznitelikler transpoze edilerek birey bazlı tabloya dönüştürülmüş ve sınıflar “normal” ve “anormal” olarak etiketlenmiştir. Beş farklı makine öğrenmesi algoritması (SVM, Random Forest, Gradient Boosting, KNN, Logistic Regression) ve çok katmanlı yapay sinir ağı (MLP) kullanılarak karşılaştırmalı analizler yapılmıştır. Performans değerlendirmesinde doğruluk, F1-skoru, hassasiyet, duyarlılık ve ROC-AUC metrikleri dikkate alınmıştır. Sonuçlar, sınıf dengesizliğinin azınlık sınıflar üzerindeki duyarlılığı düşürdüğünü göstermiştir. Derin öğrenme modeli, veri boyutu nedeniyle sınırlı performans sergilemiş, ancak wavelet tabanlı özniteliklerin eklenmesiyle iyileşme sağlanmıştır. Ayrıca, sentetik veri üretimiyle tüm modellerde doğruluk %95’in üzerine çıkmış ve F1 skorlarında belirgin artış kaydedilmiştir. Bu bulgular, sınıf dengesizliği sorununa rağmen ERG verilerinin yapay zekâ yöntemleriyle etkin şekilde sınıflandırılabileceğini ve veri artırma stratejilerinin klinik karar destek sistemlerine katkı sağlayabileceğini ortaya koymaktadır.

Bu çalışmada, küçük hücreli akciğer karsinomunda farmakogenomik etkileşimleri analiz edilmiştir. Bu analiz sonucunda ilaçların mutasyon yüküne bağlı olarak duyarlılığını makine öğrenmesi yöntemleri ile tahmin edilmesini sağlayacak veri toplama, manipülasyon ve model geliştirme süreçleri yapılmıştır. Sanger Enstitüsü tarafından sunulan açık kaynaklı üç ayrı veri kümesi birleştirilerek yeni bir veri kümesi türetilmiştir. İlk veri kaynağı hücre hatları ve bunların mutasyon bilgilerini içermektedir. İkinci veri kaynağı hücre hatlarına ait detaylı bilgileri içermektedir. Üçüncü veri kaynağı ise ilaç-hücre etkileşimlerini ve hücre hatlarına karşı ilaç duyarlılığını içermektedir. Birleştirilen verilerden farklı mutasyon yük bilgilerinin sayılarak ilaç bileşikleri, hücre hatları, mutasyon yükleri, doku ve IC50 özellikleri tek bir veri kümesinde toplanmıştır. Çalışmanın ikinci aşamasında, türetilen veri makine öğrenmesinde kullanılmış ve mutasyon yüküne göre ilaç direnci etkisi tahmin edilmiştir. Bu amaçla, tahmin için üç farklı makine öğrenmesi algoritması test edilmiştir. Makine öğrenmesi performans analizi için RMSE, R2 ve MAE sonuçları bulunmuş ve karşılaştırılmıştır. Elde edilen sonuçlara göre geliştirdiğimiz XGBoost makine öğrenmesi modeli hücre-ilaç arasındaki IC50 skorunu anlamlı oranda tahmin etmiştir. Bu sayede ilaçların mutasyonlara direncine ve etkisine dair ön bilgi sunulmaktadır. Bunun yanı sıra çalışmada hangi mutasyon türlerinin nicel sayısının ilaç direncinde daha fazla etki gösterdiğini makine öğrenmesi analizleri ile sunulmuştur.

Betonun basınç dayanımını tahmin etmek için farklı regresyon yöntemleri, sayısal simülasyon ve yapay zeka tabanlı teknikler gibi farklı yöntemler kullanılmaktadır. Ancak, değişkenler arasındaki karmaşık ve doğrusal olmayan korelasyon, basınç dayanımının doğru olarak tahmin edilmesini oldukça zorlaştırmaktadır. Bu nedenle yapılan her çalışmanın literatüre katkı sağladığı ve beton basınç dayanımlarının tahmininde önemli rol oynadığı düşünülmektedir. Bu amaçla yapılan çalışmada, C16/20, C20/25 ve C25/30 beton sınıflarına ait tasarım parametreleri giriş olarak kullanılarak bir ANFIS ve bir YSA modeliyle bu betonların basınç dayanımları tahmin edilmeye çalışılmıştır. Modeller oluşturulurken ANFIS için Gauss, YSA için ileri beslemeli geri yayılımlı bir sinir ağı modeli tercih edilmiştir. Çalışmada her bir beton sınıfı için 20 ayrı beton dökümünden elde edilen 80 basınç dayanımı sonucu olmak üzere toplam 240 veri kullanılmıştır. Bu verilerin %70’i eğitim için kullanılırken, %30’u test için ayrılmıştır. Modelden tahmin edilen sonuçların güvenilirliği gösterebilmek için R2, MAPE ve RMSE istatiksel yöntemlerinden yararlanılmıştır. Elde edilen sonuçlara göre, YSA ile C16/20, C20/25 ve C25/30 beton sınıflarının basınç dayanımlarının 7 gün için sırasıyla -%0.70, %1.25 ve %0.17 oranında hatayla; 28 gün için sırasıyla %0.99, %0.03 ve -%0.69 oranında hatayla tahmin edilebildiği belirlenmiştir. ANFIS ile C16/20, C20/25 ve C25/30 beton sınıflarının basınç dayanımlarının 7 gün için sırasıyla %0.11, %0.56 ve %0.58 oranında hatayla; 28 gün için sırasıyla %0.80, %0.36 ve %0.70 oranında hatayla tahmin edilebildiği belirlenmiştir. Sonuç olarak deneylerden elde edilen sonuçlar ile tahmin sonuçları arasında iyi bir uyum olduğu ve ANFIS ve YSA ile oluşturulan modellerle “çok iyi” veya “yüksek doğruluk derecesinde” tahmin yapılabileceği kanaatine varılmıştır.

The quality of concrete used in the construction sector is increasing day by day with ready-mixed concrete production. The quality of concrete is directly related to its compressive strength and the related tests are labor-intensive and time-consuming. Therefore, different artificial intelligence-based models are used to predict the compressive strength of concrete. In this study, compressive strength and design parameters of concrete classes C30/37, C35/45 and C40/50 were predicted by ANN model. A total of 240 compressive strength results obtained from concretes produced in a ready-mixed concrete plant for the construction of columns, beams, decks and stairs. 70% of these data were used for training and remaining 30% of data were reserved for testing. The prediction accuracy of the ANN model was evaluated by R2, MAPE and RMSE statistical methods. According to results, the compressive strengths of concrete classes C30/37, C35/45 and C40/50 could be predicted with errors of -0.70%, 1.25% and 0.17% for 7 days and 0.99%, 0.03% and -0.69% for 28 days, respectively. Depending on the design parameters, it was found that prediction performance could be made with almost 100% accuracy for all concretes except high-performance superplasticizer admixture. As a result, it was concluded that ‘very good’ or ‘high accuracy’ predictions can be made with ANN models.

Tekstil, hammaddeden başlayıp son ürün elde edilene kadar hemen hemen her adımda çıkan ürüne test yapılan bir alandır. Artan dünya nüfusu ile birlikte tekstil sektörü alanında araştırmalar yapan kişiler ve firmalar yeni ürünler üretmek için sürekli araştırmalar ve analizler yapmaktadır. Yapılan bu analizlerde büyük bir veri kaynağı oluşturmaktadır. Bu amaç doğrultusunda da Demirtaş Organize Sanayi Bölgesi’nde yer alan bir havlu firmasından alınan veriler kullanılarak bir veri seti oluşturulmuştur. Veri setinde havlu kumaşlara uygulanan testlerden olan kopma mukavemeti, hidrofilite ve hava geçirgenliği test sonuçları kullanılmıştır. Oluşturulan veri setine uygun makine öğrenmesi regresyon modelleri sunulmuştur. Elde edilen tahmin analiz sonuçlarına göre kopma mukavemeti ve hava geçirgenliği sonuçlarında SVM modeli, hidrofilite sonuçlarında Random Forest en iyi R2 skor performansı göstermiştir. Bulgular kopma mukavemeti, hidrofilite ve hava geçirgenliği değerlerinin makine öğrenmesi modelleri ile tahmin edilebileceğini sunmaktadır.