COVID-19 Teşhisinde Makine Öğrenmesi Modellerinin Performansını Artırmaya Yönelik SHAP Analizi ile Desteklenen Hiperparametre Optimizasyonu

Abstract

SARS-CoV-2’nin ortaya çıkışı, etkili tanı araçlarının geliştirilmesine yönelik bilimsel çalışmalarda artışa yol açmıştır. Salgının kontrol altına alınabilmesi için doğru teşhis büyük önem taşımakta olup, yapay zeka (YZ) tabanlı yöntemler bu alanda umut vadetmektedir. Bu çalışmada, COVID-19’un kan değerlerinden, özellikle de Van Yüzüncü Yıl Üniversitesi Dursun Odabaş Tıp Merkezi’nden elde edilen hemogram test sonuçlarından, makine öğrenmesi (ML) teknikleri ile tahmin edilmesi amaçlanmıştır. Çeşitli ML algoritmaları test edilmiş ve en yüksek doğruluk oranı Rastgele Orman (Random Forest) yöntemiyle elde edilmiştir. Modelin performansı, optimizasyon süreciyle daha da artırılmış; bu süreçte Genetik Algoritma (GA) en etkili yöntem olarak öne çıkmıştır. Modelin kararlarını etkileyen temel özellikleri belirleyerek yorumlanabilirliği artırmak amacıyla SHAP analizi uygulanmıştır. Değerlendirilen üç veri seti arasında, en yüksek doğruluk oranı (%91,56) Veri Seti 3’te elde edilmiştir. Optimizasyon sonrası Veri Seti 2 dengeli bir performansla %85,09 doğruluk oranına ulaşırken, Veri Seti 1’de doğruluk %65,02’ye yükselmiş ancak duyarlılık (recall) düşüktür. GA ile optimize edilen model, 0.9467 AUC değerine ulaşarak güçlü bir sınıflandırma başarısı göstermiştir. Bu bulgular, hastalık tespitinde YZ destekli modellerin etkinliğini ve sağlık sistemlerini daha hızlı ve doğru teşhis imkânı sunarak destekleme potansiyelini ortaya koymaktadır. Gelecek çalışmalarda, farklı modelleme stratejileri ve derin öğrenme tekniklerinin entegrasyonuyla tanı doğruluğunun daha da artırılması hedeflenmektedir.