TARIFNAME Tüp bebek isleminde gebelik olusturma potansiyeli en yüksek olan embriyonun seçimi için bir yöntem Teknik Alan Bulus, tüp bebek isleminde gebelik olusturma potansiyeli en yüksek olan embriyo/larin, makine ögrenmesi yoluyla, embriyo seçiminde etkili olan parametrelerin ayni anda degerlendirilerek seçilmesini saglayan bir yöntem ile ilgilidir. Teknigin Bilinen Durumu Infertilite, Dünya Saglik Orgütü'ne göre çiftlerin bir yili asan sürede korunmasiz cinsel iliskiye girmelerine ragmen gebelik elde edilememesi olarak tanimlanmaktadir. Çocuk sahibi olmak isteyen çiftlerin yaklasik %15 inde bu durum görülmekle birlikte, evlilik yasinin ve anne olma yasinin ertelenmesi, hayat tarzi, hava kirliligi, katki maddeleri, ekonomik nedenler gibi birçok nedenden dolayi bu oran her geçen yil hizla artmaktadir. Bu durumdaki çiftler 'Yardimla üreme teknikleri' yardimiyla çocuk sahibi olabilmekte, ancak bu yöntemlerin yüksek maliyeti, süresi, tibbi komplikasyonlari hem de basari oranlarindaki azlik nedeniyle çiftler için zorlayici bir tedavi süreci olmaktadir. Mevcut teknikte bilinen yardimla üreme tekniklerinden biri olan Tüp Bebek bir mikroenjeksiyon yöntemidir (ICSI- Intrasitoplazik sperm enjeksiyonu). Yöntem bir spermin bir oosit sitoplazmasi içerisine mikromanipülatör ile yerlestirilmesi esasina dayanmaktadir. Elde edilen embriyo/lardan en kaliteli ve gebelik olusturma potansiyeli en yüksek olan embriyo/lar seçilerek anne rahmine transfer edilmekte ve gebelik olusturmasi beklenmektedir. Tüp bebekte hastanin gebe kalabilmesi için gereken en önemli faktörlerden birisi gelisen birçok embriyo içerisinden en dogru olanin seçilebilmesidir. Embriyo seçimi embriyolog tarafindan embriyonun morfolojik parametreleri göz önüne alinarak ve sübjektif olarak yapilmakta, stimülasyon yöntemi, hastaya ait faktörler, embriyonun dinamik gelisimi gibi birçok parametre seçime katilamamaktadir. Ozellikle embriyologun yeterince tecrübeli olmadigi durumlarda bu durum daha da büyük öneme sahip olmaktadir. Basari sansinin en iyi kohorta sahip çiftlerde bile %40'i geçemedigi bir tüp bebek siklusunda bu durum büyük önem tasimaktadir, çünkü hastanin gebe kalamamasi yeni bir siklus denenmesini zorunlu kilmakta, bu da maliyet ve zaman kaybina neden oldugu gibi, tibbi komplikasyon olasiliklarini artirmakta, ayrica fizyolojik, psikolojik ve sosyal açidan çiftleri zorlamaktadir. Tüm bu bilgiler isiginda en iyi embriyo/larin dogru olarak seçilebilmesi büyük önem tasimaktadir. Konu ile ilgili yapilan arastirma sonucunda, TR2018/15478 numarali "Hamilelik sonucu için yüksek potansiyele sahip kompetent oositler ve kompetent embriyolarin seçim yöntemi" baslikli basvuruya rastlanilmistir. Yöntemde uyumlu bir oosit veya uyumlu bir embriyonun seçim yöntemi açiklanmaktadir. Ancak en uyumlu embriyonun seçimi için makine ögrenmesi tekniginin kullanilmasindan bahsedilmemektedir. Literatürde makine ögrenmesi yöntemleri ile embriyo seçimi modellemeleri yapilmis olup, "Personalized prediction of live birth prior to the first in vitro fertilization treatment: A machine learning method" ve "Bayesian classification for the selection of in vitro human embryos using morphological and clinical data" baslikli yayinlara rastlanilmistir. Fakat, bu yayinlarda hiçbiri, yeni ve daha önce baska alanlarda yapilan çalismalarda var olan yöntemlerden daha yüksek tahmin etme oranina sahip olan Süper Learner yöntemini kullanarak bir çalisma yapmamistir. Ayrica, bu çalismada literatürde var olan degiskenlerden çok daha fazla degisken de kullanilacak ve en uygun model (en yüksek tahmin oranina sahip) bulunacaktir. Bu nedenle bu çalisma var olan çalismalardan bu yönleri ile farklilik göstermektedir. Sonuç olarak, yukarida anlatilan olumsuzluklardan dolayi ve mevcut çözümlerin konu hakkindaki yetersizligi nedeniyle ilgili teknik alanda bir gelistirme yapilmasi gerekli kilinmistir. Bulusun Amaci Bulus, mevcut durumlardan esinlenerek olusturulup yukarida belirtilen olumsuzluklari çözmeyi amaçlamaktadir. Bulusun ana amaci, tüp bebek isleminde gebelik olusturma potansiyeli en yüksek olan embriyo/larin, makine ögrenmesi yoluyla, embriyo seçiminde etkili olan parametrelerin ayni anda degerlendirilerek seçilmesini saglamaktir. Bulusun diger bir amaci, tüp bebek isleminde gebelik olusturma potansiyeli en yüksek olan embriyo/larin seçilmesi sayesinde gebelik ile sonuçlanma oraninin artmasini saglamaktir. Bulusun diger bir amaci, implantasyon, gebelik ve canli dogum oranlarinin artmasini ve abortus oranlarinin azalmasini saglamaktir. Bulusun diger bir amaci, basari ile sonuçlanma oraninin artmasi sayesinde tedavi tekrarinin ve tekrardan kaynaklanan risk ve maliyetlerin azaltilmasini saglamaktir. Bulusun diger bir amaci, rastgele embriyo seçiminin önlenerek gebelik sansinin her hasta için ayri ayri öngörülebilmesini mümkün kilmaktir. Bulusun diger bir amaci, daha önceki hasta verileri dogrultusunda, dahil olunan popülasyonuna uygun embriyo seçim kriterlerinin olusturulabilmesini saglamaktir. Bulusun yapisal ve karakteristik özellikleri ve tüm avantajlari asagida verilen sekiller ve bu sekillere atiflar yapilmak suretiyle yazilan detayli açiklama sayesinde daha net olarak anlasilacaktir ve bu nedenle degerlendirmenin de bu sekiller ve detayli açiklama göz Önüne alinarak yapilmasi gerekmektedir. Bulusun Detayli Açiklamasi Bu detayli açiklamada, bulusa konu olan embriyo seçim yönteminin tercih edilen yapilanmalari, sadece konunun daha iyi anlasilmasina yönelik olarak açiklanmaktadir. Bulusa konu olan yöntem, infertilite tedavisi uygulanan üremeye yardimci tedavi merkezlerinde (UYTE), intrasitoplazik sperm enjeksiyonu (ICSI / mikroenjeksiyon) tedavisinde, elde edilen embriyolardan en iyisinin seçilmesini saglamak 'üzere gelistirilmistir. Bunu saglamak 'üzere söz konusu yöntem; 0 yetkili kisi tarafindan bir tarayici üzerinden sisteme giris yapilarak yeni hasta için ölçülen morfolojik ve morfokinetik degerlerin arayüze girilmesi, 0 önceki hastalara ait morfolojik ve morfokinetik degerlerin tutuldugu veri tabanindan çagrilmasi, o bir islemci içerisinde kosturulan denetimli ögrenme algoritmasi vasitasiyla o bir veri setinin, algoritmanin veriyi ögrenmesini saglayan egitim seti ve ögrendigi veriyi ne kadar dogru ögrendiginin test edilmesini saglayan test seti olarak ikiye ayrilmasi, 0 egitim setindeki verilerin, performans arttirilmasini saglamak üzere çapraz dogrulama islemi ile rastgele sayida veri kümesine ayrilmasi, o ayrilan veri kümelerinden bir tanesinin çapraz dogrulama veri seti ve geri kalanlarinin egitim veri seti olarak seçilmesi, 0 en iyi tahmin performansini bulabilmek üzere denetimli ögrenmede lojistik regresyon, discriminant analizi, naive bayes, destek vektör makineleri, random forest, bagging vei'veya boosting gibi siniflandirma algoritmalarinin performanslari birlestirilerek süper Iearner algoritmasinin uygulanmasi, o çapraz dogrulama isleminin, kullanilan algoritma sayisi kadar tekrar edilmesi, o en iyi tahmin eden modele en yüksek agirlik ve en az tahmin edene en düsük agirlik verilerek tüm algoritmalar için ortak bir agirlik vektörünün hesaplanmasiyla ortak kombinasyonlardan elde edilen agirliklardan hangisinin minimum çapraz dogrulama riskine sahip oldugunun tespit edilmesi, 0 her bir algoritma için hesaplanan agirlik degerinden sonra, embriyo seçiminin modellenmesinde bütün veriye yukarida belirlenen modelin uygulanmasi islem adimlari vasitasiyla çagrilan kayitli veriler ile ara yüze yeni girilen hasta verilerinin karsilastirilmasi ve karsilastirma sonucu önceki verilerdeki en verimli embriyolarin özellikleriyle ayni özellikleri barindiran embriyonun gebelik potansiyeli en yüksek embriyo olarak seçilmesi Bulusa konu olan yöntemde, tüp bebek merkezlerinde tedavi esnasinda transfer edilecek embriyodaki kalite faktörü, makine ögrenmesi ve topluluk ögrenmesi tekniklerinden biri olan denetimli ögrenme teknigine ait super Iearner (stacking regression) algoritmasi ile hesaplanmaktadir. Denetimli ögrenme teknigi, algoritmaya bagimli ve bagimsiz degisken bilgilerinin verilerek algoritmanin ögrenmesinin saglanmasidir, Burada, embriyonun tutunma olasiligi bagimli degisken, çiftlere ve embriyoya ait veriler ise bagimsiz degisken olarak hesaplamaya dahil edilmektedir. Topluluk ögrenmesi teknikleri her bir makine ögrenmesi algoritmasindan gelen bilgileri birlestiren ve böylelikle bu algoritmalarin her birinden çok daha iyi bir tahmin sonucu veren bir yöntemdir. Embriyo seçiminde, çiftlere ait klinik veriler ve embriyoya ait morfolojik ve morfokinetik degiskenler bir arada kullanilarak analiz edilmektedir. Kliniklerden alinan morfolojik ve morfokinetik degiskenler asagidaki sekilde örneklenmistir: Hastaya (kadin ve erkege) ait veriler: *FOWNQFNPWNf Kadin ve erkegin yaslari Kadin ve erkegin beden kitle indeksleri Kadin ve erkegin geçirilmis ameliyat ve hastaliklari Kadin ve erkegin kronik rahatsizliklari Kadin ve erkegin anatomik bulgulari Kadin ve erkegin genetik bulgulari Kadin ve erkegin meslekleri Kadin ve erkegin devamli kullandiklari ilaç varligi, dozu ve süresi Kadin ve erkegin sigara ve alkol kullanimi ve sikligi Kadinin fertilite öyküsü a. Daha önceki gebelik sayisi b. Daha önceki canli dogum sayisi c. Daha önceki abortus sayisi Kadinda endometriozis varligi Kadinda polikistik over sendromu varligi Kadinda bazal (AZ-3. günlerde) hormon degerleri (serumda FSH, LH, Prolaktin, 2, Progesteron, AMH) Kadinda antral folikül sayisi (A Erkekte semen parametreleri Abstinans süresi (gün) Sperm konsantrasyonu Toplam motilite orani Progresif motilite orani Vitalite orani Immotilite orani Semen hacmi Semen görünüsü Semen pH si Toplam sperm sayisi Toplam motil sperm sayisi Toplam progresif motil sperm sayisi Toplam immotil sperm sayisi Lökosit konsantrasyonu Toplam Iökosit sayisi Yikama yöntemi Yikama sonrasi sperm konsantrasyonu Yikama sonrasi toplam motilite orani F-P'PPPB-_FT'T'P'CPTEDP-OP'PJ Yikama sonrasi progresif motilite orani Yikama sonrasi vitalite orani Yikama sonrasi immotilite orani Yikama sonrasi toplam sperm sayisi Yikama sonrasi toplam motil sperm sayisi Yikama sonrasi toplam progresif motil sperm sayisi Yikama sonrasi toplam immotil sperm sayisi aa. Semende oksidatif seviye Erkekte varikosel varligi ggifte ait veriler Evlilik süresi Infertilite süresi Infertilite türü (Primeri' Sekonder) Infertilite nedeni (Kadin I Erkek i' Her ikisi / Açiklanamayan) Onceki tedaviler a. IUI sayisi b. IVF sayisi Over stimülasvonuna ait veriler Stimülasyon türü Stimülasyon süresi Kullanilan ilaçlar Kullanilan FSH dozu Kullanilan hCG dozu Gelisen folikül sayisi Bazal E2 seviyesi Son E2 seviyesi Endometriyum kalinligi (hCG günü) Tedaviye ait veriler Toplanan oosit sayisi Toplanan olgun oosit (metafaz II) sayisi Toplanan immatür oosit (metafaz l) sayisi Toplanan immatür oosit (germinal vesikül evresi- GV) sayisi Toplanan bos zona (EZ) sayisi Her oositin morfolojik `ozellikleri (granülasyon i' vaküalizasyoni' refraktil cisimcik varligi i' PVS te döküntü / sekil anomalileri i' zona pellusida 'özellikleri 1 Büyüklük anomalileri) Kullanilan yöntem (IVF/ICSI) Kullanilan besiyeri Kültür kosullari (02/ N/ 002/ nem oranlari) Kullanilan inkübatör Kullanilan mikromanipülatür Islemin yapildigi merkez Islemi yapan embriyolog Islemi yapan klinisyen Toplam ICSI yapilan oosit sayisi Islem günü elde edilen spermin türü (Ejekülat, Testiküler aspirasyon/ Testiküler ekstraksiyon, retrograd ejekülasyon, dondurulmus ejekülat, dondurulmus testiküler aspirasyon/ dondurulmus testiküler ekstraksiyon, dondurulmus retrograd ejekülasyon) Islem günü elde edilen spermin abstinans süresi .Nt<*âsçewaepeaa-a's'r'srâD-*rvçiosre Abstinans süresi (gün) Sperm konsantrasyonu Toplam motilite orani Progresif motilite orani Vitalite orani Immotilite orani Semen hacmi Semen görünüsü Semen pH si Toplam sperm sayisi Toplam motil sperm sayisi Toplam progresif motil sperm sayisi Toplam immotil sperm sayisi Lökosit konsantrasyonu Toplam Iökosit sayisi Yikama yöntemi Yikama sonrasi sperm konsantrasyonu Yikama sonrasi toplam motilite orani Yikama sonrasi progresif motilite orani Yikama sonrasi Vitalite orani Yikama sonrasi immotilite orani Yikama sonrasi toplam sperm sayisi Yikama sonrasi toplam motil sperm sayisi Yikama sonrasi toplam progresif motil sperm sayisi Yikama sonrasi toplam immotil sperm sayisi Semende oksidatif seviye Islem günü alinan semen örnegi sayisi Her örnege ait yukarida siralanan sperm parametreleri Islem günü kullanilan yardimci yöntem (Çal I IVM/ piezoelektrik) islemden 1 gün sonra (1. gün- 16-20. saat) parametreleri Normal fertilize olan (2PN) oosit sayisi Normal fertilize olan (2PN) oosit orani (Olgun oosit! fertilize oosit sayisi) Anormal fertilize olan (1 PN) oosit sayisi Anormal fertilize olan (1 PN) oosit orani (Olgun oosit! 1PN oosit sayisi) Anormal fertilize olan (3PN) oosit sayisi **2390 7" Anormal fertilize olan (3PN) oosit orani (Olgun oosit/ 3PN oosit sayisi) Anormal fertilize olan (3PN) oosit sayisi Anormal fertilize olan (3PN) oosit orani (Olgun oosit/ 3PN oosit sayisi) Islemden 1 gün sonra (1. gün) dejenere olan oosit sayisi islemden 1 gün sonra (1. gün) dejenere olan oosit orani (olgun oosit Fertilize olmayan oosit orani (olgun oosit sayisi/ fertilize olmayan oosit Her fertilize olan oositin pronükleus skorlamasi (P1 /P2/ P3/ P4/ PS) Islemden 1 gün sonra (1. gün- 22-26. saat) parametreleri Erken bölünme görülen oosit sayisi Erken bölünme görülen oosit orani (Fertilize olan oosit/ erken bölünen Her erken bölünen embriyonun hücre sayisi (2 / 3 / 4 / 5 / 6 / 7 / 8 / 8) Her erken bölünen embriyonun embriyo kalitesi (1/ 2/ 3/ 4) Dejenere olan oosit sayisi Dejenere olan oosit orani (olgun oosit sayisi." dejenere oosit sayisi) islemden 2 gün sonra (2. gün) parametreleri Her embriyonun hücre sayisi (2 / 3/4/ 5/6 / 7/ 8 / 8) Her embriyonun embriyo kalitesi (1/ 2/ 3/ 4) Her embriyonun morfolojik özellikleri (granülasyon / vaküalizasyon/ refraktil cisimcik varligi / PVS te döküntü / sekil anomalileri / zona pellusida özellikleri / Büyüklük anomalileri) Bölünme görülen oosit sayisi Bölünme görülen oosit orani (fertilize olan oosit sayisi/ bölünen oosit Dejenere olan embriyo sayisi Dejenere olan embriyo orani (olgun embriyo sayisi/ dejenere embriyo islemden 3 gün sonra (3. gün) parametreleri 14/ 15/ 15) Her embriyonun embriyo kalitesi (1/ 2/ 3/ 4) Her embriyonun morfolojik özellikleri (granülasyon / vaküalizasyon/ refraktil cisimcik varligi / PVS te döküntü / sekil anomalileri / zona pellusida özellikleri / Büyüklük anomalileri) Bölünmesi duran embriyo orani (bölünmesi duran embriyo sayisi/ bölünen embriyo sayisi) Dejenere olan embriyo sayisi Dejenere olan embriyo orani (olgun embriyo sayisi/ dejenere embriyo islemden 4 gün sonra (4. gün) parametreleri 14/15/ 15) 0.: ar?"- T'P'CP-*FDÇLO .U .saci-*rose Her embriyonun embriyo kalitesi (1." 2/ 3/ 4) Her embriyonun morfolojik özellikleri (granülasyon / vaküalizasyon/ refraktil cisimcik varligi i' PVS te döküntü i' sekil anomalileri i' zona pellusida özellikleri / Büyüklük anomalileri) Bölünmesi duran embriyo orani (bölünmesi duran embriyo sayisi/ bölünen embriyo sayisi) Kompaksiyon görülen embriyo sayisi Kompaksiyon görülen embriyo orani (Kompaksiyon görülen embriyo Erken blastosist (early blast- EB) sayisi Erken blastosist (early blast- EB) orani (erken blast sayisi] embriyo Dejenere olan embriyo sayisi Dejenere olan embriyo orani (olgun embriyo sayisi.' dejenere embriyo Islemden 5 gün sonra (5. gün) parametreleri Erken blastosist (early blast- EB) sayisi Erken blastosist (early blast- EB) orani (erken blast sayisi] embriyo Blastosist sayisi Blastosist orani (blast sayisi/ embriyo sayisi) Her blastosistin büyüme skorlamasi Her blastosistin iç hücre kitlesi skorlamasi (Ail Bi' C/ D) Her blastosistin dis hücre kitlesi skorlamasi (Al 8/ C/ D) Hatching baslayan blastosist sayisi Hatching baslayan blastosist orani (Hathing baslayan blastosist sayisi/ blast sayisi) Hatch etmis blastosist sayisi Hatch etmis blastosist orani (Hatch etmis blastosist sayisi/ blast sayisi) Bölünmesi duran embriyo orani (bölünmesi duran embriyo sayisi;r bblünen embriyo sayisi) Dejenere olan blastosist sayisi Dejenere olan blastosist orani (olgun blastosist sayisi! dejenere blastosist sayisi) Islemden 6 gün sonra (6. gün) parametreleri Erken blastosist (early blast- EB) sayisi Erken blastosist (early blast- EB) orani (erken blast sayisi] embriyo Blastosist sayisi Blastosist orani (blast sayisi! embriyo sayisi) Her blastosistin büyüme skorlamasi Her blastosistin iç hücre kitlesi skorlamasi (Al 8/ C/ D) Her blastosistin dis hücre kitlesi skorlamasi (Al B! C/ D) Hatching baslayan blastosist sayisi i. Hatching baslayan blastosist orani (Hathing baslayan blastosist sayisi/ blast sayisi) Hatch etmis blastosist sayisi Hatch etmis blastosist orani (Hatch etmis blastosist sayisi/ blast sayisi) Bölünmesi duran blastosist sayisi Bölünmesi duran embriyo orani (bölünmesi duran embriyo sayisi/ bölünen embriyo sayisi) Dejenere olan blastosist sayisi Dejenere olan blastosist orani (olgun blastosist sayisi] dejenere blastosist sayisi) 3 fx?' Kullanilan diger yöntemler Testik'uler sperm elde etme yöntemleri (aspirasyonu/ extraksiyonu) Preimplantasyon genetik tani a. Kullanilan yöntem (PGD/ PGS) b. Kullanilan teknik (FISH, CGH, Microarray...) d. Kaçinci gün yapildigi e. Genetik testin yapildigi merkezin adi f. Dejenere olan embriyo sayisi 9. Kayip embriyo sayisi h. Sonuç, alinabilen embriyo sayisi j. Anormal çikan embriyo sayisi Co-culture Assisted hatching (AHA) Embryoscope Polscope Embriyo transferine ait veriler Embriyo transferinin yapilip yapilmadigi Embriyo transferi yapilmadi ise nedeni (embriyo yoklugu, OHSS riski nedeniyle freezing/ Total freezing/ PGD nedeniyle freezing) Embriyo transferi kaçinci günde yapildigi (2/ 3 /4 /5 !6) Elektif embriyo transferi yapilip yapilmadigi ET sonrasi kullanilan ilaçlar ve dozlari Kalan embriyolardan dondurmaya uygun embriyo sayisi Dondurulan embriyo sayisi 4. Dondurma günü Gebelik sürecine ait veriler ET sonrasi 12. günde serum B-hcG seviyesi ET sonrasi 14. günde serum B-hcG seviyesi Gebelik varligi Klinik gebelik varligi Biyokimyasal gebelik varligi Dis gebelik varligi Kese varligi Fet'üs sayisi 9. Ikili test risk orani . Uçl'u test risk orani 11. Amniyosentez varligi 12. Amniyosentez sonucu 13. Amniyosentez haftasi 14. Kordosentez varligi . Kordosentez sonucu 16. Kordosentez haftasi 17. Free fetal DNA test varligi 19. Free fetal DNA test haftasi . USG nuchal translucency 21. USG degerleri 23. Abortus varligi 24. Abortus haftasi . Dogum haftasi 26. Dogum türü 27. Dogum kilosu 28. Dogum boyu 29. Dogumda kafa çapi . Yeni doganda Majör malformasyon varligi ve türü 31. Yeni doganda Minör malformasyon varligi ve türü Bulusa konu olan yöntemde kullanilan denetimli ögrenme tekniginin bulusun tercih edilen bir vapilanmasinda detavli calisma prensibi asagidaki sekildedir: Makine ögrenmesi için öncelikle veri seti, egitim ve test seti olarak ikiye ayrilir. Egitim setinde, algoritmanin veriyi ögrenmesi saglanir, test setinde ise algoritmanin ögrendigi veriyi ne kadar dogru ögrendigi test edilir. Yapilan arastirmalarda genellikle veri seti Ardindan, çapraz dogrulama teknigi ile egitim setindeki veriler, rastgele 'k' tane parçaya ayrilarak verinin her bir parçada kendisini yenileyerek performansinin arttirilmasi saglanir. Burada k sayisi olarak 10 alinmistir. Bu veri kümelerinden bir tanesi çapraz dogrulama veri seti olarak ayrilirken geri kalan dokuz tanesi egitim veri seti olarak kullanilir. Ardindan en iyi tahmin performansini bulabilmek 'üzere denetimli ögrenmede lojistik regresyon, discriminant analizi, naive bayes, destek vektör makineleri, random forest, bagging ve/veya boosting gibi siniflandirma algoritmalari uygulanir. Çapraz dogrulama Islemi, modelde kullanilan algoritma sayisi kadar tekrar edilecektir. Her bir algoritmada her bir egitim seti için ayri ayri model kurulur. Modeller, her bir dogrulama seti için uygulanip tahmin riski hesaplanir. Ardindan, çapraz dogrulama setlerinden elde edilen agirliklar her bir model için 9 parçadan olusan egitim setinde tekrar kullanilir ve agirliklar hesaplanir. Böylelikle bütün veri seti, tahmin riskinin hesaplanmasinda yer alir. Böylelikle her bir algoritma için 10 farkli risk tahmin edilir ve bu riskler, her bir algoritma için çapraz validasyon veri setlerinden elde edilen ortalama risktir. Ardindan, modeldeki algoritmalar için ortak bir agirlik vektör'ü belirleyebilmek için agirlik vektörü crdan index hesaplanir. Amaç, bu ortak kombinasyonlardan elde edilen agirliklardan hangisinin minimum çapraz dogrulama riskine sahip oldugunu bulmaktir (ci = {0ia, db, cic} ). Burada a, b ve c degerleri modeldeki siniflandirma algoritmalarinin performansini temsil etmektedir. Her bir algoritma için hesaplanan agirlik degerinden sonra, embriyo seçiminin modellenmesinde b'ütL'in veriye bu model uygulanir. Böylelikle, en düsük tahmin riskine sahip olan model elde edilmis olur. Hangi modeldeki algoritmalarin ve süper ögrenme algoritmasinin en iyisi oldugunun belirlenmesinde egitim ve test veri setleri için ROC Analizi, Brier Score, F measure ile karsilastirilacaktir. Bu yöntemler asagida açiklanmistir: ROC Analizinde, bir ROC grafigi, X ekseni 'üzerinde özg'üIIük (Yanlis Pozitif oran) ve Y ekseni 'üzerinde duyarlilik (recall=sensitivity) ile olusturulur. Dolayisiyla bir ROC egrisi, her yanlis pozitif için algoritma tarafindan ne kadar gerçek pozitif algilanacagini gösterir. 45 derecelik bir açida düz bir çizgi olan bir ROC egrisi, tespit edilen her yanlis pozitiflik için karsilik gelen bir gerçek pozitif olduguna isaret etmektedir. Baska bir deyisle, algoritmanin performansi %50'dir. Bu nedenle, iyi bir siniflandirici bu 45 derece çizgisinin 'üzerinde bükül'ür. Mevcut yöntemde en iyi model seçilirken en yüksek tahmin oranina sahip yani 45 derece 'üzerinde en fazla bükülen model tercih edilir. Brier Score'da gerçek siniflar ile tahmin edilen olasiliklar arasindaki ortalama kare farki ile hesaplanir. 0-1 arasinda deger alir ve ne kadar küçükse, o modelin daha iyi bir model olduguna karar verilir. F measure'da, ROC analizinde hesaplanan recall ve precision verilerini birlestirerek tek bir istatistikle modeli tek bir degerle degerlendirme imkani sunar. Recall ve precision degerlerinin harmonik ortalamasi ile hesaplanir. Bu deger arttikça modelin daha iyi bir modeli sonucuna ulasilir. Bulusa konu olan yöntem, programlama dilleri, veritabani yapay zeka algoritmasi ile bir bütünü teskil eder. Veritabaninda mevcut veriler ve yeni veriler için alan, yazilim dili ile de ilgili algoritmalari kodlayacak altyapi ortaya çikmaktadir. Operatör, bir web tarayicisi yardimiyla ürünü/hizmeti kullanmaktadir. Yeni girilen veriler sistem kendini sürekli güncellemektedir. TR TR TR