---
type: "Akademik Makale Analizi"
title: "Diyabetin Tahmini, Teşhisi ve Yönetiminde Makine Öğrenmesi ve Derin Öğrenme Modellerinin Güncel Uygulamaları: Kapsamlı Bir Derleme"
description: "Diyabet, kan glukoz seviyelerinin yukselmesiyle karakterize edilen ve bobrek, goz, kalp, sınır ve kan damarlari gibi hayati organlarda kritik zararlara yol acabilen kronik bir metabolik hastaliktir. Tip 1, Tip 2 ve gestasyonel diyabet basta olmak üzere farklı klinik formlari bulunan bu rahatsizligin"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/diyabetin-tahmini-teshisi-ve-yonetiminde-makine-ogrenmesi-ve-derin-ogrenme-modellerinin-guncel-uygulamalari-kapsamli-bir-derleme"
doi: "10.1186/s13098-022-00969-9"
authors: ["Elaheh Afsaneh", "Amin Sharifdini", "Hadi Ghazzaghi", "Mohadeseh Zarei Ghobadi"]
citation: "Afsaneh, E., Sharifdini, A., Ghazzaghi, H., Ghobadi, M. Z. (2022). Recent applications of machine learning and deep learning models in the prediction, diagnosis, and management of diabetes: a comprehensive review. Diabetology & Metabolic Syndrome, 14(1), 196-196. https://doi.org/10.1186/s13098-022-00969-9"
publicationType: "narrative-review"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 15
tags: ["Tip 1 Diyabet Mellitus", "Tip 2 Diyabet Mellitus", "Gestasyonel Diyabet Mellitus", "Makine öğrenmesi", "Derin öğrenme", "Kan glukozu"]
timestamp: "2026-10-15T14:14:54.263Z"
---

# Diyabetin Tahmini, Teşhisi ve Yönetiminde Makine Öğrenmesi ve Derin Öğrenme Modellerinin Güncel Uygulamaları: Kapsamlı Bir Derleme

Özgün başlık: Recent applications of machine learning and deep learning models in the prediction, diagnosis, and management of diabetes: a comprehensive review
DOI: https://doi.org/10.1186/s13098-022-00969-9
Künye (APA 7): Afsaneh, E., Sharifdini, A., Ghazzaghi, H., Ghobadi, M. Z. (2022). Recent applications of machine learning and deep learning models in the prediction, diagnosis, and management of diabetes: a comprehensive review. Diabetology & Metabolic Syndrome, 14(1), 196-196. https://doi.org/10.1186/s13098-022-00969-9

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

## Kısa cevap

**Diyabetin tahmini, teşhisi ve yönetiminde hangi makine ve derin öğrenme modelleri kullanılmaktadır?**

Bu çalışmada, diyabetin erken teşhisi, kan glukoz tahmini ve yönetiminde kullanılan makine öğrenmesi ve derin öğrenme modelleri kapsamlı bir şekilde incelenmiştir. Derlenen sonuçlar, söz konusu algoritmaların glukoz kontrolünde umut vadettiğini ancak geniş veri setleriyle iyileştirilmeleri gerektiğini göstermektedir.

- Makine öğrenmesi algoritmaları diyabet yönetimi ve erken teşhis süreçlerinde umut vad eden yaklaşımlar sunmaktadır.
- Ağaç tabanlı modeller Tip 2 diyabet tahmininde yüksek performans göstermekle birlikte veri dengeleme gerektirmektedir.
- Sürekli glukoz izleme verileri üzerinde kurulan bireyselleştirilmiş doğrusal modeller klinik öngörülerde verimlilik sağlamaktadır.

# Alan bağlamı

Diyabet, kan glukoz seviyelerinin yukselmesiyle karakterize edilen ve bobrek, goz, kalp, sınır ve kan damarlari gibi hayati organlarda kritik zararlara yol acabilen kronik bir metabolik hastaliktir. Tip 1, Tip 2 ve gestasyonel diyabet basta olmak üzere farklı klinik formlari bulunan bu rahatsizligin erken teshisi, prognozu ve etkin yönetimi halk sağlığı acisindan buyuk önem tasir. Geleneksel klinik yaklaşimlar bazi durumlarda karmasik glisemik dalgalanmalari ve cok yonlu patofizyolojik süreçleri modellemede yetersiz kalabilmektedir. Bu bağlamda, son yillarda makine öğrenmesi ve derin öğrenme algoritmalari, yüksek boyutlu ve doğrusal olmayan sağlık verilerini isleyerek diyabetin erken teshisi, kan glukoz tahmini ve bireysellestirilmis tedavi yönetimi gibi alanlarda güçlü birer karar destek mekanizmasi olarak araştırmacilarin ve klinisyenlerin odak noktasi haline gelmistir.

# Akademik özet

Diyabet, kan glukozunun normal duzeylerin üzerinde seyrettigi, kardiyovaskuler sistemden bobreklere kadar genis bir yelpazede organ hasarina yol acabilen kronik bir metabolik hastalik olarak tanımlanmaktadir. Kuresel ölçekte milyonlarca insani etkileyen bu durum; Tip 1, Tip 2 ve gestasyonel diyabet gibi farklı klinik alt tipleriyle kendini göstermekte, hastalarin yasam kalitesini dusururken sağlık sistemleri üzerindeki ekonomik ve yonetsel yukleri artirmaktadir. Geleneksel tani kriterleri ve doğrusal istatistiksel yöntemler, hastalarin karmasik ve zaman icinde değişkenlik gösteren glisemik oruntulerini tam anlamiyla açıklamakta bazen yetersiz kalmaktadir. Bu bağlamda, sağlık bilimi ile veri bilimi arasindaki kopruyu guclendiren hesaplamali yaklaşimlar, hastaligin erken evrede taninmasi ve yonetilmesinde yeni bir donem baslatmistir.

Bu kapsamli derleme çalışmasi, diyabetin erken teshisi, kan glukoz seviyelerinin tahmini, hipoglisemi risklerinin belirlenmesi ve bireysellestirilmis tedavi süreçlerinin optimizasyonu için son donemde önerilen makine öğrenmesi ve derin öğrenme modellerini incelemeyi amaçlamaktadir. Araştırmacilar, çalışmalarında farklı veri kaynaklarindan elde edilen genis ölçekli klinik verileri, elektronik sağlık kayitlarini, goruntuleme sonuçlarını ve sürekli glukoz izleme cihazlarindan alinan zaman serisi verilerini analiz etmek üzere cesitli algoritmik yapilari ele almistir. Lojistik regresyon, rastgele ormanlar, destek vektor makineleri, gradient boosting gibi klasik makine öğrenmesi yöntemlerinin yani sira uzun kisa vadeli bellek aglari ve evrisimli sınır aglari gibi derin öğrenme mimarilerinin uygulama alanlari sistematik olarak değerlendirilmistir.

Incelenen araştırma sonuçları, agac tabanlı topluluk modellerinin ve derin öğrenme mimarilerinin diyabet risk tahmini ve glisemik kontrol süreçlerinde yüksek doğruluk oranlari sundugunu ortaya koymaktadir. Ornegin, dil goruntuleri, tibbi goruntuleme verileri ve giyilebilir sensorler aracıligiyla elde edilen fizyolojik parametreler, invaziv olmayan yöntemlerle diyabet riskinin onceden belirlenmesini mumkun kilmaktadir. Ayrıca, zaman serisi verilerini isleyen yinelemeli sınır aglari ve cok ölçekli tahmin modelleri, hastalarin gelecek saatlerdeki kan glukoz duzeylerini basariyla ongorerek hipoglisemi ve hiperglisemi ataklarinin onune gecilmesine yardimci olmaktadir. Bununla birlikte, model performanslarinin artirilmasi için veri dengesizligi problemleriyle mucadele edilmesi ve veri on isleme adimlarinin titizlikle yurutulmesi gerektigi vurgulanmaktadir.

Literatür taramasi ve tartisma bolumlerinde elde edilen bulgular, yapay zeka tabanlı modellerin klinik pratikte hekimlere karar destegi sağlama potansiyelini acikca göstermektedir. Geleneksel doğrusal modeller ile gelismis makine öğrenmesi algoritmalarinin karşılaştırıldığı çalışmalar, bazi durumlarda basit regresyon modellerinin de yeterli basari gösterebildigini, ancak karmasik veri yapilarinda topluluk ve derin öğrenme yaklaşimlarinin ustunluk sağladigini isaret etmektedir. Sonuç olarak, bu derleme; diyabet araştırmalarında yapay zeka teknolojilerinin kullanıldığı alanlarin haritasini cikarmakta, gelecekteki klinik çalışmalar için veri mimarisi ve model secimi bağlaminda onemli bir referans çerçeve sunmaktadir.

# Araştırmanın amacı

Bu derleme çalışmasının amacı, diyabetin tahmini, teşhisi ve yönetimi alanında son dönemde geliştirilen makine öğrenmesi ve derin öğrenme modellerini kapsamlı bir şekilde incelemek ve sunmaktır.

# Yöntem ve tasarım

Bu çalışma, diyabetin tahmini, teşhisi ve yönetimi alanında son dönemde geliştirilen makine öğrenmesi ve derin öğrenme modellerini inceleyen kapsamlı bir derleme yaklaşımı izlemektedir.

# Bulgular ve önermeler

1. Derlenen çalışmalar, makine öğrenmesi ve derin öğrenme algoritmalarının kan glukoz kontrolü ve diyabet yönetimi süreçlerinde umut vadettiğini ve geniş veri setleriyle iyileştirilmesi gerektiğini göstermektedir.
2. İncelenen literatürde, ağaç tabanlı modellerin Tip 2 diyabet tahmini için en yüksek performansı sağladığı, ancak optimal özelliklerin seçilmesiyle boyut indirgeme ve veri dengeleme gerektirdiği bildirilmiştir.
3. Sürekli glukoz izleme verileri ile zaman serisi modellerinin kullanıldığı çalışmalarda, bireyselleştirilmiş doğrusal modellerin popülasyon geneli modellerinden daha verimli sonuçlar üretebildiği vurgulanmaktadır.
4. Derleme bulguları, insülin direncinin erken tespiti ve diyabet risk değerlendirmesinde lojistik regresyon, rastgele orman ve XGBoost gibi algoritmaların yüksek doğruluk oranlarına ulaştığını ortaya koymaktadır.

# Yazarın tartışması

Bu derleme çalışması, diyabetin tahmini, teşhisi ve yönetim süreçlerinde son yıllarda geliştirilen makine öğrenmesi ve derin öğrenme algoritmalarının geniş bir panoramasını sunmaktadır. Yürütülen incelemeler, yapay zeka modellerinin yüksek boyutlu biyomedikal verileri işleme ve glukoz dalgalanmalarını öngörme kapasitesine odaklanmaktadır.

Yazarlar, ağaç tabanlı modellerin ve derin sınır ağlarının sınıflandırma başarısını vurgulamakta, verideki dengesizliklerin ve gürültülü ölçümlerin model performansını doğrudan etkilediğini açıklamaktadır. Özellikle sürekli glukoz izleme verilerinin zaman serisi analizleriyle birleştirilmesi, hipoglisemi risklerinin önceden belirlenmesinde kritik bir rol oynamaktadır.

Mevcut literatürle kurulan ilişkiler bağlamında bu derleme, daha önceki dar kapsamlı incelemelerden ayrılmakta ve tüm diyabet türlerini kapsayan geniş bir değerlendirme çerçevesi sunmaktadır. Yürütülen model karşılaştırmaları, bireyselleştirilmiş öğrenme yaklaşımlarının popülasyon geneli yaklaşımlara kıyasla daha tutarlı sonuçlar verdiğine işaret etmektedir.

Sonuç bölümünde yazarlar, yapay zeka temelli karar destek sistemlerinin klinik ortamlara entegre edilebilmesi için veri kalitesinin artırılması ve algoritmaların dış veri setleriyle test edilmesinin kaçınılmaz olduğunu vurgulamakta, gelecekteki araştırmalar için standartlaştırılmış doğrulama metriklerinin önemine dikkat çekmektedir.

# Yazarın sonucu

Yazarlar, makine öğrenmesi ve derin öğrenme modellerinin diyabetin erken teşhisi, glukoz tahmini ve yönetiminde güçlü araçlar olduğunu, ancak bu algoritmaların klinik pratiklerde yaygınlaşabilmesi için geniş ve harici veri setleriyle doğrulanması gerektiği sonuçuna varmaktadır.

# Literatürdeki işlevi

Bu derleme makalesi, biyomedikal muhendisligi ve klinik diyabet yönetimi arakesitinde, makine öğrenmesi ve derin öğrenme teknolojilerinin mevcut durumunu sentezleyen kapsamli bir yol haritasi islevi gormektedir. Literatürde parcali halde bulunan farklı diyabet turlerine (Tip 1, Tip 2, Gestasyonel) yonelik algoritmik yaklaşimlari tek bir çerçevede toplayarak, yöntemsel bir butunluk sağlamaktadir. Özellikle klasik makine öğrenmesi yöntemlerinden modern derin sınır aglarina (CNN, LSTM) geçiş süreçini ve bu modellerin klinik veri setleri üzerindeki basari metriklerini sistematik olarak sunarak araştırmacilar için karşılaştırmali bir referans kaynagi oluşturmaktadir.

Önceki çalışmalarla ilişkisi: Yazarlar, çalışmalarini literatürdeki mevcut derlemelerden (özellikle 30, 31 ve 32 numarali kaynaklar) daha genis kapsamli ve butuncul olarak konumlandirmaktadir. Önceki çalışmalar genellikle belirli bir diyabet turune veya sadece kan glukoz tahminine odaklanirken, bu makale erken teshis, risk değerlendirmesi, insulin dozu modifikasyonu ve diyet yönetimi gibi tum alt alanlari kapsayarak akademik boslugu doldurmaktadir. Ayrıca, kamuya acik veri setlerinin (Pima Indians, OhioT1DM vb.) kullanimini ve bu veri setleri üzerindeki model basarilarini guncel verilerle ilişkilendirerek literatürdeki teorik çerçeveyi ampirik kanıtlarla guclendirmektedir.

Literatür taramasına katkısı: Makale, diyabet verilerinin doğrusal olmayan ve karmasik yapisina karsi geliştirilen algoritmalarin etkinlik duzeylerini ozetleyerek literatüre onemli bir sentez katkısinda bulunmaktadır. Özellikle agac tabanlı modellerin Tip 2 diyabet tahminindeki ustunlugunu ve derin öğrenme modellerinin zaman serisi verileri üzerindeki hassasiyetini nicel verilerle ortaya koymaktadir. Araştırma, sadece algoritmik basariyi degil, ayni zamanda sensor hatalari ve veri gurultusu gibi pratik uygulama sorunlarini da tartismaya dahil ederek, yapay zeka modellerinin klinik ortamdaki uygulanabilirligi üzerine elestirel bir perspektif sunmaktadir.

# Tez ve makale araştırmalarında kullanım

- **Diyabetin kuresel yayginligi ve 2040 yilina kadar ulasmasi beklenen hasta sayisi tahminleri.** — Makalenin giris bolumunde atif yapilan IDF projeksiyonlari kullanılarak çalışmanın toplumsal onemi vurgulanabilir.
- **Tip 2 diyabet tahmininde agac tabanlı makine öğrenmesi modellerinin diğer yöntemlere gore daha yüksek performans sergilemesi.** — Farklı modellerin karşılaştırmali analizlerini sunan bolumdeki verilerle model secimi gerekcelendirilebilir.
- **Yapay zeka modellerinin klinik basarisinin genis ve harici veri setleriyle doğrulanmasi gerekliligi.** — Çalışmanın sonuç kismindaki sınırliliklar ve gelecek önerileri referans gösterilerek mevcut araştırmanın kapsami tartisilabilir.

# Türetilebilir araştırma soruları

- **Makalede sunulan ResNet50-RBFNN modeli, Turk diyabetik hastalarin dil goruntulerinden yüksek doğrulukla teshis yapabilir mi?**
  - Desen: En az 500 gonullu hastadan (diyabetik ve sağlıkli) standart kosullarda dil goruntuleri toplanacak, makalede belirtilen Mask R-CNN yöntemiyle segmentasyon yapilacak ve ResNet50 mimarisiyle siniflandirilacaktir. Örneklem buyuklugu guc analiziyle belirlenecektir.
  - Gerekçe: Makalenin 12. sayfasinda detaylandirilan non-invaziv dil goruntusu analizi yönteminin farklı bir demografik grupta gecerliliginin test edilmesi çağrısindan türetilmiştir.
- **Sürekli glukoz izleme verileri kullanıldığında, LSTM tabanlı derin öğrenme modelleri klasik ARX modellerine gore gece hipoglisemisini daha düşük hata payiyla tahmin edebilir mi?**
  - Desen: OhioT1DM veya benzeri bir acik veri seti kullanılarak, insulin dozu ve karbonhidrat tuketimi değişkenleri altinda iki model egitilecektir. Tahmin ufku 30 ve 60 dakika olarak ayarlanacak, RMSE ve MARD metrikleri üzerinden karşılaştırma yapilacaktir.
  - Gerekçe: Makalenin 18-20. sayfalarinda tartisilan zaman serisi modellerinin (LSTM ve ARX) karşılaştırmali kisitliliklarina dayanan bir yöntemsel karşılaştırmadir.
- **Sadece biyokimyasal verilere yasam tarzi göstergelerinin (uyku suresi, fiziksel aktivite) eklenmesi XGBoost modelinin teshis performansini anlamli duzeyde artirir mi?**
  - Desen: NHANES veri setine benzer cok değişkenli bir veri tabani üzerinde, Boruta algoritmasiyla özellik secimi yapilacak ve SHAP degerleri ile yasam tarzi faktorlerinin model tahmini üzerindeki etkisi nicelenecektir. Veri doygunlugu analizle kontrol edilecektir.
  - Gerekçe: Makalenin 30. sayfasinda belirtilen yasam tarzi ve sosyo-demografik verilerin risk değerlendirmesindeki oneminden hareketle tasarlanmistir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Abstract | 1 | — | This review surveys the recently proposed machine learning (ML) and deep learning (DL) models for the objectives mentioned earlier. |
| ev-o-2 | Introduction | 3 | 3 | To our best knowledge, there is no such comprehensive review to overview different aspects regarding all diabetes types. |
| ev-s-1 | Introduction | 1 | — | This review surveys the recently proposed machine learning (ML) and deep learning (DL) models for the objectives mentioned earlier. |
| ev-s-2 | Abstract | 1 | — | The reported results disclose that the ML and DL algorithms are promising approaches for controlling blood glucose and diabetes. However, they should be improved and employed in la |
| ev-s-3 | Common machine learning and deep learning algorithms | 13 | 13 | The results of a systematic review revealed that the optimal performance for the prediction of T2DM is obtained using tree-type models |
| ev-s-4 | Common machine learning and deep learning algorithms | 19 | 19 | The outcomes revealed that the individualized linear models were more efficient than the population ones. |
| ev-s-5 | Common machine learning and deep learning algorithms | 25 | 25 | LR, XGBoost, RF, and ANN algorithms produced the optimal prediction model for insulin resistance. |
| ev-s-6 | Common machine learning and deep learning algorithms | 3 | 3 | To our best knowledge, there is no such comprehensive review to overview different aspects regarding all diabetes types. |
| ev-s-7 | Abstract | 1 | — | The reported results disclose that the ML and DL algorithms are promising approaches for controlling blood glucose and diabetes. However, they should be improved and employed in la |
| ev-l-1 | Introduction | 1 | — | It has been predicted that the number of diabetic patients would reach about 642 million in 2040 [ 1 ]. |
| ev-l-2 | Abstract | 1 | — | The reported results disclose that the ML and DL algorithms are promising approaches for controlling blood glucose and diabetes. However, they should be improved and employed |
| ev-l-3 | Common machine learning and deep learning algorithms | 13 | 13 | The results of a systematic review revealed that the optimal performance for the prediction of T2DM is obtained using tree-type models [ 56 ]. However, they |
| ev-l-4 | Common machine learning and deep learning algorithms | 12 | 12 | To train DL models, Mask Region- Based Convolutional Neural Network (Mask R-CNN) was implemented because of its characteristics for the fast object detection of an image with the h |
| ev-l-5 | Prediction of blood glucose | 20 | 20 | An SVR model was applied to forecast the glucose before bedtime, the overnight minimum glucose, and overnight NH for individuals with T1DM. |
| ev-l-6 | Risk assessment of Diabetes | 30 | 30 | The results showed that BMI, waist to hip ratio, waist circumference, age, systolic blood pressure, smoking status, sleep duration, and vigorous recreational activity time were |

# İlgili kavramlar

- [Dünyadaki ve Türkiye'deki E-Dilekçe Portalları ile CİMER'in Yönetişim İlkeleri ve Yapay Zeka/Büyük Veri Perspektifi Bağlamında Değerlendirilmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dunyadaki-ve-turkiyedeki-e-dilekce-portallari-ile-cimerin-yonetisim-ilkeleri-ve-yapay-zekabuyuk-veri-perspektifi-baglaminda-degerlendirilmesi.md)
- [Kuantum Hesaplama: Temeller, Algoritmalar ve Gelişmekte Olan Uygulamalar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-temeller-algoritmalar-ve-gelismekte-olan-uygulamalar.md)
- [Doğal Dil Üretim Modellerinde Insan-Bilgisayar Etkileşimi ve Görselleştirme: Uygulamalar, Zorluklar ve Fırsatlar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dogal-dil-uretim-modellerinde-insan-bilgisayar-etkilesimi-ve-gorsellestirme-uygulamalar-zorluklar-ve-firsatlar.md)
- [Kuantum Hesaplama Sistemleri İçin Uygulama Odaklı Performans Karşılaştırma Testleri ve Hacimsel Analiz Yöntemi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-sistemleri-icin-uygulama-odakli-performans-karsilastirma-testleri-ve-hacimsel-analiz-yontemi.md)
- [Perceval: Ayrık Değişkenli Fotonik Kuantum Hesaplama İçin Bir Yazılım Platformu](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/perceval-ayrik-degiskenli-fotonik-kuantum-hesaplama-icin-bir-yazilim-platformu.md)
- [Nükleer Manyetik Rezonans Deneylerinin İyon Tuzağı Kuantum Bilgisayarlarında Dijital Kuantum Simülasyonu](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/nukleer-manyetik-rezonans-deneylerinin-iyon-tuzagi-kuantum-bilgisayarlarinda-dijital-kuantum-simulasyonu.md)
- [Kuantum Varyasyonel Algoritmalar Tuzaklarla Doludur: Çorak Platoların Ötesinde Eğitilebilirlik Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-varyasyonel-algoritmalar-tuzaklarla-doludur-corak-platolarin-otesinde-egitilebilirlik-analizi.md)
- [Yüzey Kodu Eşiğinin Altında Kuantum Hata Düzeltme: Süperiletken İşlemcilerde Üstel Hata Bastırma ve Gerçek Zamanlı Kod Çözme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yuzey-kodu-esiginin-altinda-kuantum-hata-duzeltme-superiletken-islemcilerde-ustel-hata-bastirma-ve-gercek-zamanli-kod-cozme.md)

# Şeffaflık

- Analiz tarihi: 2026-10-15T14:14:54.263Z
- Kanıt sayısı: 15
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/diyabetin-tahmini-teshisi-ve-yonetiminde-makine-ogrenmesi-ve-derin-ogrenme-modellerinin-guncel-uygulamalari-kapsamli-bir-derleme