@article{article_1418059, title={ALZHEİMER HASTALIĞININ ERKEN TEŞHİSİNE YÖNELİK UZMAN SİSTEM GELİŞTİRİLMESİ}, journal={International Journal of 3D Printing Technologies and Digital Industry}, volume={9}, pages={21–35}, year={2025}, DOI={10.46519/ij3dptdi.1418059}, author={Salman, Osamah and Çayır, Sema and Özmen, Mustafa Melikşah and Açıkgözoğlu, Enes}, keywords={Early detection of Alzheimer, Artificial intelligence, Expert system.}, abstract={1990’ların başından bu yana internet kullanımının hızla yaygınlaşması, anlamlı analiz için gelişmiş araçlar gerektiren büyük veri kümelerinin oluşmasına yol açmıştır. Yapay zeka teknolojilerinin, özellikle erken teşhis ve hastalık tespitinde hataların azaltılması için kullanıldıkları sağlık hizmetlerinde bu konuda etkili olduğu kanıtlanmıştır. Bu çalışma, yaşlı bireyler arasında yaygın olan ilerleyici bir nörodejeneratif durum olan Alzheimer Hastalığının (AD) erken teşhisi için yapay zeka tabanlı bir uzman sistem geliştirmeye odaklanmaktadır. Çalışmda 174 örnekli DARWIN veri kümesi (89’u AD’li ve 85’i AD’siz) kullanılarak AdaBoost, Gradient Boost, VotingHard, Stack, Decision Trees, Random Forest, Naive Bayes ve 1D-CNN olmak üzere sekiz makine öğrenimi algoritması ile eğitilmiştir. Çalışmada kullanılan Stack modeli %91,43 doğruluk, %93,75 özgüllük, %94,44 duyarlılık, %89,47 kesinlik, %91,89 F-ölçümü ve %91,43 AUC değeri ile yüksek bir tahmin performansı elde ederek en etkili model olarak ortaya çıkmıştır. Orta düzeyde performans gösteren modeller arasında AdaBoost %88,57 doğruluk, %88,24 özgüllük, %88,89 duyarlılık, %88,89 kesinlik, %88,89 F-ölçümü ve %88,56 AUC değeri elde etmiştir. Buna karşılık, VotingHard modeli %80,00 doğruluk, %77,78 özgüllük, %77,78 duyarlılık, %82,35 hassasiyet, %80,00 F-ölçümü ve %80,00 AUC değeri ile en düşük performansı göstermiştir. Bu bulgular, Stack modelinin güvenilir erken evre AD teşhisi potansiyelini vurgulamakta ve algoritma performansa ilişkin karşılaştırmalı bir bakış açısı sağlamaktadır.}, number={1}, publisher={Kerim ÇETİNKAYA}