Ruhsal bozuklukların tanısında erişim destekli üretim tabanlı büyük dil modelleri kullanılarak bir klinik karar destek sistemi geliştirilmesi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: EGEHAN ÇETİN

Danışman: SÜLEYMAN BİLGİN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Ruhsal bozukluklar, bireyin yaşam kalitesini derinden etkileyen ve toplum üzerinde ağır bir sosyal, tıbbi ve ekonomik yük bırakan yaygın bir sağlık sorunudur. Yapay zekadaki gelişmeler ve sağlık alanında biriken veri, bu bozuklukların tanı ve yönetiminde hekime destek olabilecek araçların geliştirilmesini bugün mümkün kılmaktadır. Ancak ruhsal bozukluğun tanısı, doğası gereği belirsizliği yüksek bir akıl yürütme sürecidir. Serbest metinle yazılmış bir klinik öyküyü, standart bir sınıflandırmanın tanımlı kategorilerine eşlemeyi gerektirir. Büyük dil modelleri (BDM) bu görevde uzman düzeyine yaklaşan bir başarı gösterse de tek başlarına güvenilir değildir. Halüsinasyon, eğitim verisinden gelen yanlılık ve tanısal eşikleri uygulayamamaktan kaynaklanan aşırı tanı eğilimi gibi faktörler etkendir. Yapılan çalışmada, bu sınırlamaları Erişim Destekli Üretim (Retrieval-Augmented Generation, RAG) yaklaşımıyla ele almaktadır. Bilgi tabanı olarak, Dünya Sağlık Örgütü'nün (WHO) açık kaynaklı ICD-11 sınıflandırması ile ICD-11-CDDR el kitabından doğal dil işleme yöntemleriyle derlenip temizlenen 720 ruhsal bozukluk girdisi kullanılmıştır. Test kümesi ise DSM-5-TR Clinical Cases kitabından alınan 104 klinik vakadan oluşmaktadır. Tasarımın hangi bileşeninin tanısal başarıya ne ölçüde katkı verdiğini ayrıştırmak amacıyla tez kapsamında dokuz farklı konfigürasyon (K1–K9) kurulmuş ve her vakanın birincil tanısı hem tanı adı hem de kod (tanı grubu, kategori ve alt kategori) düzeylerinde değerlendirilmiştir. En yüksek başarımı veren K4 konfigürasyonu dört erişim bileşenini bir araya getirmektedir. Klinik öyküden varsayımsal belge gömmeleri (Hypothetical Document Embeddings, HyDE) ile üretilen klinik özet, BM25 ile sözcüksel eşleşme, 1024 boyutlu yoğun gömmeler arasındaki kosinüs benzerliği ve bu sinyalleri birleştiren karşılıklı sıralama birleştirmesidir (Reciprocal Rank Fusion, RRF). Önerilen sistemde getirilen adaylar, klinik tanı kriterleriyle birlikte Gemma 4 12B modeline sunulmuş ve model kriter temelli bir tanı seçimi yapmıştır. Önerilen sistem 0.615 (N=104) tanı adı düzeyi doğruluğa ulaşarak, literatürdeki en yüksek açık kaynak skoru olan 0.524 (LLMind) değerini hem nokta tahmininde geçmiş hem de sabit referansa karşı tek yönlü binom testinde anlamlılığa ulaşan sistem olmuştur (p=0.038). Yaklaşık üçte bir etkin parametreyle çalışan karışık uzman mimarili Gemma 4 26B-A4B modeli 0.606 ile hesaplama açısından daha verimli bir alternatif sağlamıştır. Dokuz konfigürasyonlu kontrollü ablasyon, HyDE'yi erişimdeki en belirleyici bileşen olarak öne çıkarmış ve RAG'ın taban modele katkısı eşleştirilmiş McNemar testinde anlamlı bulunmuştur (p<0.001). RAG'ın tanısal katkısı kullanılan ölçüte bağlı olduğu gözlemlenmiştir. Bu katkı, kod düzeyinde (tanı grubu, kategori ve alt kategori) tutarlı biçimde büyük, tanı adı düzeyinde ise modelin parametrik bilgisiyle değişkendir. Bu durum, yalnızca tanı adı düzeyinde raporlayan LLMind'ın RAG'ın kod düzeyindeki katkısını gizlediğini ve çok granülerli değerlendirmenin gerekliliğini göstermektedir.