BLOKZİNCİR TABANLI GÜVENİLİR VE AÇIKLANABİLİR YAPAY ZEKA KULLANAN AKILLI SAĞLIK ÇATISININ GELİŞTİRİLMESİ

Abstract

Sağlık hizmetlerinde artan veri hacmi ve karar süreçlerinin karmaşıklığı güvenilir, açıklanabilir ve operasyonel açıdan sürdürülebilir yapay zeka çözümlerine duyulan ihtiyacı büyük ölçüde artırmıştır. Akıllı sağlık sistemlerinin gelişimi, yapay zeka tabanlı modeller, IoMT altyapıları, bulut ve kenar bilişim yaklaşımları ile blokzincir temelli güvenlik mekanizmalarının bir arada kullanımını gerekli kılmaktadır. Bu tez çalışması, sağlık sistemlerine duyulan gereksinimlere yanıt verebilmek amacıyla akıllı sağlık sistemlerine yönelik güvenilir, açıklanabilir ve ölçeklenebilir bir yapay zeka çerçevesi geliştirmektedir. Tez çalışmasının ilk aşamasında yapay zekanın sağlık alanındaki konumu kavramsal, teknolojik ve uygulama açısından ele alınmış ve sonraki bölümünde akıllı sağlık ekosistemlerinin yapı taşlarını oluşturan IoMT sensör sistemleri, bulut-kenar bilişim mimarileri, veri analitiği süreçleri ve blokzincir tabanlı güvenlik altyapıları kapsamlı biçimde değerlendirilmiştir. Tez çalışmasının bir diğer aşamasında biyomedikal bilgi erişimini destekleyen çoklu ajan yapısına sahip bir LLM mimarisi tasarlanmıştır. Bu mimari ile RAG tabanlı bilgi işleme ve modüler ajan etkileşimleriyle klinik karar süreçlerinde tutarlı ve güvenilir çıktılar üretilmiştir. Tez çalışmasında kapsamında yapılan bir diğer çalışmada ise IoMT sensör verilerinin analizine yönelik açıklanabilir ve güvenilir bir yapay zeka çerçevesi geliştirilmiştir. Bu çerçeve, bulut-kenar mimarisi kullanılarak blokzincir tabanlı parçalama yöntemi ile veri güvenliğini artırmakta ve Transformer modelleri ile sensör verilerinin yüksek doğrulukla işlenmesini sağlamaktadır. Elde edilen bulgular, önerilen mimarinin doğruluk, yorumlanabilirlik, güvenlik ve sistem bütünlüğü açısından güçlü performans sergilediğini göstermektedir. Bu çalışma, akıllı sağlık teknolojilerinin gelecekteki tasarımı için ölçeklenebilir, güvenilir ve bütünleşik bir model oluşturarak literatüre önemli bir katkı sunmaktadır. Son olarak tez çalışması kapsamında, mental sağlık alanına odaklanan yeni bir çok-modlu öğrenme yaklaşımı geliştirilmiştir. Söz konusu yaklaşımda, görsel veriler ile sosyal medya metinleri birlikte ele alınarak Federe Öğrenme ve blokzincir destekli güvenli bir mimari içerisinde işlenmiş, böylece veri gizliliği korunurken farklı veri türlerinin birbirini tamamlayıcı etkisiyle daha dengeli ve genellenebilir bir mental sağlık sınıflandırma modeli elde edilmiştir.The increasing volume of data in healthcare services and the complexity of decision-making processes have significantly increased the need for reliable, explainable, and operationally sustainable artificial intelligence solutions. The development of smart healthcare systems necessitates the combined use of artificial intelligence-based models, IoMT infrastructures, cloud and edge computing approaches, and blockchain-based security mechanisms. This thesis develops a reliable, explainable, and scalable artificial intelligence framework for smart healthcare systems to meet the requirements of healthcare systems. The first phase of the thesis examines the position of artificial intelligence in the healthcare field from conceptual, technological, and application perspectives. The subsequent section comprehensively evaluates IoMT sensor systems, cloud-edge computing architectures, data analytics processes, and blockchain-based security infrastructures, which form the building blocks of smart healthcare ecosystems. In another phase of the thesis, an LLM architecture with a multi-agent structure supporting biomedical information access was designed. With this architecture, consistent and reliable outputs were produced in clinical decision-making processes through RAG-based information processing and modular agent interactions. Another component of the thesis proposes an explainable and trustworthy artificial intelligence framework for the analysis of IoMT sensor data. This framework enhances data security through a blockchain-based sharding mechanism integrated within a cloud-edge architecture and enables high-accuracy processing of sensor data using Transformer-based models. The findings demonstrate that the proposed architecture exhibits strong performance in terms of accuracy, interpretability, security, and system integrity. This work contributes significantly to the literature by establishing a scalable, reliable, and integrated model for the future design of smart health technologies. Finally, within the scope of the thesis, a new multi-modal learning approach focused on mental health has been developed. In this approach, visual data and social media texts are processed together within a Federated Learning and blockchain-supported secure architecture, thus obtaining a more balanced and generalisable mental health classification model through the complementary effect of different data types while preserving data privacy.