Yazar "Bal, Mert" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Yayın
    An NLP-driven framework for automated radiology–pathology concordance assessment in breast biopsy
    (MDPI Publishing, 2026) Esmerer, Emel; Nazlı, Mehmet Ali; Uzun-Per, Meryem; Gümüş Değidiben, Melike; Söyleyici, Merve; Tahir, Eren; Bal, Mert
    Background/Objectives: To develop and assess the feasibility of a natural language processing (NLP) framework for automated assessment of radiology-pathology concordance in breast biopsy using machine learning-based analysis of unstructured reports. Methods: This retrospective study included 766 paired radiology and pathology reports from ultrasound- or mammography-guided breast biopsies (August 2020-May 2024). Reports underwent translation, normalization, tokenization, lemmatization, and synonym expansion, followed by structured encoding of BI-RADS and pathology categories. Three models were trained: a Decision Tree, a LightGBM classifier, and a fine-tuned BioBERT model. Concordance labels were defined by multidisciplinary consensus. Performance metrics included accuracy, sensitivity, specificity, F1-score, area under the curve (AUC), and Cohen's kappa. SHapley Additive exPlanations (SHAP) analysis was used to identify influential features. Results: Among 766 cases, 707 (92.3%) were concordant and 59 (7.7%) were initially discordant. After excluding B3 lesions (n = 46), 13 true discordant cases remained (1.7%). Including B3 lesions increased clinically non-concordant or indeterminate cases from 1.7% to 7.7%, indicating that the apparent performance of the models is likely sensitive to case definition and dataset composition. BI-RADS 4a was the most common category (31.3%), and benign pathology (B2) accounted for 64.4% of biopsies. Within this dataset, LightGBM yielded the highest apparent AUC (0.999) (however, given the extremely small number of true discordant cases, this estimate is likely unstable and should be interpreted with caution), while BioBERT showed the strongest agreement with expert consensus (κ = 0.89). SHAP analysis identified clinically meaningful terms such as calcification, hypoechoic, ductal, and carcinoma as key contributors to model predictions. Given the very limited number of true discordant cases, these performance estimates are likely unstable and should be regarded as preliminary, requiring validation in larger, multi-center cohorts. Conclusions: This study presents a proof-of-concept NLP-based framework for radiology-pathology concordance assessment. The models showed promising performance in identifying potentially discordant cases; however, given the limited number of true discordant samples, these findings should be considered preliminary and require further validation in larger, multi-center datasets before clinical implementation.
  • Küçük Resim
    Yayın
    Kullanıcı ve öğe bazlı, geniş ve derin öğrenme tabanlı seyahat öneri sistemi
    (2023) Öz, Alihan; Uzun-Per, Meryem; Bal, Mert
    Teknolojinin gelişmesi ile birlikte artan dijital bilgi miktarı ve internetin yaygınlaşması ile internet üzerinden ürün, hizmet, abonelik gibi ticaret işlemlerinin gerçekleştiği web sitelerinin sayısının da artması, beraberinde, müşterilere kişiselleştirilmiş ve doğru; ürün, hizmet ve abonelikleri sunmanın (önermenin) de önemini artmıştır. Müşterilere önerilerde yaygın olarak kullanılan ürün bazlı, kullanıcı tabanlı ve bu ikisinin birlikte kullanıldığı hibrit geleneksel yaklaşımlar çoğu çalışmada kullanılmaktadır. Geleneksel yaklaşımların, büyük ve seyrek veriler ile çalışma, kullanıcı ve ürün arasındaki karışık ilişkileri bulamama ve soğuk başlangıç (cold start) gibi problemlerinin üstesinden gelmek, derin ve geniş öğrenme sistemlerinin kullanımı ile mümkün olmuştur. Bu çalışma kapsamında, öncelikle derin ve geniş sinir ağlarına ve bunların seyahat öneri sistemlerindeki uygulamalarına kapsamlı bir bakış açısı sunulmuş ve en popüler öneri algoritmaları olan Google'ın Geniş ve Derin Algoritması ve Facebook'un Deep Learning Recommendation Model (DLRM) algoritmasına yer verilmiştir. Ardından, geniş ve derin öğrenme yaklaşımı ile kullanıcı ve ürün özelliklerinin kategorik olanlarının gömme işlemi uygulanarak, nümerik veriler ile modele beslendiği yeni bir seyahat öneri sistemi oluşturulmuştur. Önerilen yöntem gerçek bir seyahat acentesi şirketinin veri seti üzerinde uygulanmıştır. Sonuçta, kullanıcılara verilen en iyi beş öneride, %82.37 doğruluk oranı yakalanmıştır.