Saf ses odyogram bulgularının makine öğrenmesi metotları ile değerlendirilerek muhtemel ön tanı ve öneri tahmininde bulunulması

Abstract

İşitme, iletişimin temelini oluşturan duyumuzdur. Seslerin dış kulaktan alınıp orta kulak ve iç kulağa iletilmesi sonrasında işitme siniri aracılığıyla işitsel kortekse ulaştırılması ile işitme olayı gerçekleşir. Bu süreçte periferik ya da santral sistemde bulunan bir patoloji işitme kaybına sebep olabilmektedir. İşitmede yaşanan olumsuzluklar bireyi bilişsel ve duygusal olarak olumsuz etkiler, bununla birlikte sosyal ve akademik hayatta zorluklar yaşatabilir. Bu sebeple işitme sağlığının ihmal edilmesinin önüne geçmek, işitme testlerini daha ulaşılabilir kılmak, işitme uzmanının bulunmadığı durumlarda test uygulayabilmek, test uygulayıcına zaman ve pratiklik kazandırmak, işitme testi bulgularını doğru yorumlamak adına bu çalışma hazırlanmıştır. Bu amaçlar doğrultusunda, makine öğrenmesi algoritmaları kullanılarak saf ses odyometri bulgularını değerlendirilmiş ve sonuç tahmininde bulunulmuştur. Kullanılan algoritmaların doğruluk oranlarını karşılaştıran bir araştırma çalışması sunulmuştur. Tez çalışmasında gerekli maskelemeler yapılarak 1006'sı yetişkin, 581'i çocuk olmak üzere toplam 1587 bireye ait saf ses işitme testleri meslek uzmanları tarafından tasarlanmıştır. Elde edilen bulgular sonucunda işitme kaybı varlığı, tipi, derecesi ve bulgulara uygun tavsiye kararları elde edildi. Çocuk ve yetişkin hastalara uygun farklı derecelendirme skalaları kullanıldı. Kayıp tipine ve derecesine uygun olacak şekilde konsültasyon, işitme cihazı tavsiyesi ya da gerekli testlerin uygulanması adına koklear implant adaylığının sorgulanması önerildi. Hazırlanan kapsamlı veri seti üzerine; Rastgele Orman (Random Forest), Karar Destek Vektörleri (Support Vector Machine), XGBoost ve Yapay Sinir Ağları (Artificial Neural Network) algoritmaları ile tahmin modelleri oluşturuldu ve uygulandı. Makine öğrenmesi algoritmaları kullanılırken veri setinin %80'i eğitim, %20'si test grubu olarak 2'ye ayrıldı. Tahmin modellerine ait Karmaşıklık Matrisi tabloları oluşturuldu. Tablolar üzerinden doğruluk değeri, F1 skoru, duyarlılık ve seçicilik değeri metrikleri hesaplandı. Algoritmaların tahmin sonuçları doğrultusunda, bulgulara ait doğruluk oranları karşılaştırıldı. Muhtemel tanı tahmin sonuçlarının doğruluk oranları karşılaştırıldığında %98 başarı oranı ile RF algoritması, kayıp derecesi tahmin sonuçlarının doğruluk oranları karşılaştırıldığında %93 başarı oranı ile SVM algoritması, tavsiye kararları tahmin sonuçlarının doğruluk oranları karşılaştırıldığında ise RF ve XGBoost algoritmaları %99 başarı oranı ile en yüksek sonuçları verdiği görüldü. Yapılan çalışma kapsamında, kullanılan algoritmalar ile saf ses işitme testi bulguları değerlendirilerek işitme kaybının varlığı, tipi ve derecesini yorumlama, muhtemel ön tanı ve öneri tahmininde bulunma konusunda etkili sonuçlar elde edildi.Hearing is our sense that forms the basis of communication. After the sounds are taken from the outer ear and transmitted to the middle ear and inner ear, the hearing event takes place by reaching the auditory cortex through the auditory nerve. In this process, a pathology in the peripheral or central system may cause hearing loss. The negative effects experienced in hearing affect the individual cognitively and emotionally, but can also cause difficulties in social and academic life. For this reason, this study has been prepared in order to prevent the neglect of hearing health, to make hearing tests more accessible, to apply tests in cases where there is no hearing specialist, to give time and practicality to the test practitioner, and to interpret the hearing test findings correctly. For these purposes, a research study was presented that evaluates the findings of pure audio audiometry using machine learning algorithms and predicts the result, comparing the accuracy rates of the algorithms used. In the thesis study, pure sound hearing tests of 1587 individuals, 1006 of whom were adults and 581 of whom were children, were prepared by professional experts by performing the necessary masking. As a result of the findings, the presence of hearing loss, type, degree and recommendations appropriate to the findings were obtained. Different rating scales were used to suit children and adult patients. In accordance with the type and degree of loss, it was recommended to question the cochlear implant candidate for consultation, hearing aid advice or for the application of the necessary tests. On the comprehensive data set prepared; Prediction models have been created and implemented with Random Forest, Support Vector Machine, XGBoost and Artificial Neural Network algorithms. When using machine learning algorithms, 80% of the data set was divided into training and 20% into 2 as a test group. Complexity Matrix tables of prediction models were created. The truth value, F1 score, sensitivity and selectivity value metrics were calculated from the tables. The accuracy rates of the findings were compared by looking at the prediction results of the algorithms. RF algorithm with 98% success rate compared to accuracy rates of possible diagnostic prediction results, SVM algorithm with 93% success rate compared to accuracy rates of loss rating prediction results, RF and XGBoost algorithms with 99% success rate gave the highest results while recommendation decisions compared to accuracy rates of prediction results. Within the scope of the study, the algorithms used and the findings of the pure sound hearing test were evaluated and effective results were obtained in terms of interpreting the presence, type and degree of hearing loss, predicting the possible preliminary diagnosis and recommendation.