KaydedilenlerDerginizi ekleyin

Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 17

Beyin tümörü tedavisinde aralıklı kemoterapi planlaması için optimize edilmiş bulanık mantık kontrolör tasarımı

Optimized fuzzy logic controller design for intermittent chemotherapy scheduling in brain tumor treatment

Elif Nur Akbal
Selim Soylu(AKSARAY UNIVERSITY)0000-0001-9156-7093
Sayfa
—
Yayın Tarihi
2026-04-27
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Matematiksel tümör büyüme modeline dayanan benzetim sonuçları, AHA ile optimize edilmiş T2BMK (AHA-T2BMK)’nın vücutta daha az ilaç birikimiyle toksisiteyi azaltıp daha hızlı tümör eliminasyonu sağladığını, sağlıklı hücre ve bağışıklık hücresi popülasyonlarını koruduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada beyin tümörleri için kemoterapi dozajını optimize etmek ve bu yolla tümör popülasyonunun yok edilmesi ile bağışıklık sisteminin korunması arasındaki kritik dengeyi korumak amacıyla tip-2 bulanık mantık kontrolör (T2BMK) önerilmiştir.
📊
Temel Bulgular & Veri:Parametre optimizasyonu için yapay sinek kuşu algoritması (AHA) ve parçacık sürü optimizasyonu (PSO) kullanılan T2BMK’nın performansı tip-1 bulanık mantık kontrolör (T1BMK) ile karşılaştırılarak değerlendirilmiştir.
💡
Sonuç & Katkı:Matematiksel tümör büyüme modeline dayanan benzetim sonuçları, AHA ile optimize edilmiş T2BMK (AHA-T2BMK)’nın vücutta daha az ilaç birikimiyle toksisiteyi azaltıp daha hızlı tümör eliminasyonu sağladığını, sağlıklı hücre ve bağışıklık hücresi popülasyonlarını koruduğunu göstermektedir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Beyin tümörü · Kemoterapi · Tip-2 bulanık mantık kontrolör

Özet

Bu çalışmada beyin tümörleri için kemoterapi dozajını optimize etmek ve bu yolla tümör popülasyonunun yok edilmesi ile bağışıklık sisteminin korunması arasındaki kritik dengeyi korumak amacıyla tip-2 bulanık mantık kontrolör (T2BMK) önerilmiştir. Parametre optimizasyonu için yapay sinek kuşu algoritması (AHA) ve parçacık sürü optimizasyonu (PSO) kullanılan T2BMK’nın performansı tip-1 bulanık mantık kontrolör (T1BMK) ile karşılaştırılarak değerlendirilmiştir. Çalışmanın temel bir özelliği, klinik gerçekliği artırmak için sürekli ilaç infüzyonundan farklı olarak dinlenme sürelerini de içeren üç tedavi protokolünün uygulanmasıdır. Matematiksel tümör büyüme modeline dayanan benzetim sonuçları, AHA ile optimize edilmiş T2BMK (AHA-T2BMK)’nın vücutta daha az ilaç birikimiyle toksisiteyi azaltıp daha hızlı tümör eliminasyonu sağladığını, sağlıklı hücre ve bağışıklık hücresi popülasyonlarını koruduğunu göstermektedir. Bu bulgular AHA-T2BMK içeren kontrol sisteminin kanser tedavisi gibi karmaşık biyomedikal bir sürece katkıda bulunma potansiyelini ortaya koymaktadır.

Abstract

In this study, a type-2 fuzzy logic controller (T2FLC) is proposed to optimize chemotherapy dosage for brain tumors and thereby maintain the critical balance between eliminating the tumor population and preserving the immune system. The performance of the T2FLC, which uses the artificial hummingbird algorithm (AHA) and particle swarm optimization (PSO) for parameter optimization, was evaluated by comparing it with the type-1 fuzzy logic controller (T1FLC). A key feature of the study is the application of three treatment protocols that include rest periods, unlike continuous drug infusion, to increase clinical realism. Simulation results based on a mathematical tumor growth model show that the AHA-optimized T2FLC (AHA-T2FLC) reduces toxicity with less drug accumulation in the body, enables faster tumor elimination, and preserves healthy cell and immune cell populations. These findings highlight the potential of the control system incorporating AHA-T2FLC to contribute to complex biomedical processes such as cancer treatment.

🔖

Bu Makaleye Atıf Yap

Akbal, E. N., Soylu, S. (2026). Beyin tümörü tedavisinde aralıklı kemoterapi planlaması için optimize edilmiş bulanık mantık kontrolör tasarımı. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 17. https://doi.org/10.28948/ngumuh.1883707

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (39)

  1. F. Bray, et al., Global cancer statistics 2022: globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 74 (3), 229-263, 2024. https://doi.org/10.3322/caac.21834.
  2. M. Aslan, Derin öğrenme tabanlı otomatik beyin tümör tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34 (1), 399-407, 2022. https://doi.org/10.35234/fumbd.1039825.
  3. Ç. Erçelik ve K. Hanbay, Beyin tümörü sınıflandırmada histogram eşitleme yönteminin bazı derin öğrenme modellerine etkileri. Journal of Computer Science, 8 (2), 83-92, 2023. https://doi.org/10.53070/bbd.1373990.
  4. A.B. Şimşek ve A. Dicle, Primer beyin tümörü: klinik özellikler, tedavi ve bakım. Dokuz Eylül Üniversitesi Hemşirelik Fakültesi Elektronik Dergisi, 6 (2), 102-113, 2013.
  5. E.N. Akbal, Beyin tümörü tedavisi için kemoterapi ilaç salınım sistemi modellenmesi ve kontrolü. Yüksek Lisans Tezi, Aksaray Üniversitesi Fen Bilimleri Enstitüsü, 2025.
  6. E.N. Akbal ve S. Soylu, Tip-2 bulanık mantık denetleyici ile beyin tümörü için kemoterapi ilaç salınım sistemi tasarımı. Proceedings of 7th International Conference on Applied Engineering and Natural Sciences ICAENS 2025, pp. 301-310, Konya, Turkey, 2025.
  7. S. Ay and S. Soylu, Optimal fuzzy P+Dµ controller for cancer chemotherapy. Biomedical Signal Processing and Control, 96 (Part B), 106634, 2024. https://doi.org/10.1016/j.bspc.2024.106634.
  8. R.B. Martin, Optimal control drug scheduling of cancer chemotherapy. Automatica, 28 (6), 1113–1123, 1992. https://doi.org/10.1016/0005-1098(92)90054-J.
  9. Y. Liang, K.-S. Leung, and T.S.K. Mok, A novel evolutionary drug scheduling model in cancer chemotherapy. IEEE Transactions on Information Technology in Biomedicine, 10 (2), 237-245, 2006. https://doi.org/10.1109/TITB.2005.859888.
  10. L.G. De Pillis and A. Radunskaya, A mathematical tumor model with immune resistance and drug therapy: an optimal control approach. Computational and Mathematical Methods in Medicine, 3 (2), 79-100, 2001. https://doi.org/10.1080/10273660108833067
  11. L.G. De Pillis and A. Radunskaya, The dynamics of an optimally controlled tumor model: a case study. Mathematical and Computer Modelling, 37 (11), 1221-1244, 2003. https://doi.org/10.1016/S0895-7177(03)00133-X.
  12. S. Algoul, et al., Multi-objective optimal chemotherapy control model for cancer treatment. Medical & Biological Engineering & Computing, 49 (1), 51-65, 2011. https://doi.org/10.1007/s11517-010-0678-y.
  13. D. Mondal, A. Rani, and V. Singh, Drug scheduling in chemotherapeutic treatment using multiobjective optimization based 2DOF PID cascade control scheme. 2022 2nd International Conference on Intelligent Technologies (CONIT), pp. 1-5, Hubli, India, 2022. https://doi.org/10.1109/CONIT55038.2022.9848130.
  14. S. Ay and S. Soylu, Performance comparison of metaheuristic algorithms on FOPID-controlled anti-cancer drug delivery system. 2023 14th International Conference on Electrical and Electronics Engineering (ELECO), pp. 1-5, Bursa, Turkiye, 2023. https://doi.org/10.1109/ELECO60389.2023.10415998.
  15. M. Zubair, I. Ahmad, and Y. Islam, Backstepping and synergetic controllers for the chemotherapy of brain tumor. International Journal of Control, Automation and Systems, 19 (7), 2544-2556, 2021. https://doi.org/10.1007/s12555-020-0426-5.
  16. R. Padmanabhan, N. Meskin, and W.M. Haddad, Reinforcement learning-based control of drug dosing for cancer chemotherapy treatment. Mathematical Biosciences, 293, 11-20, 2017. https://doi.org/10.1016/j.mbs.2017.08.004.
  17. M. Zubair, D. Iacoviello, and I.S. Mughal, Fuzzy logic controller for the chemotherapy of brain tumor. 2023 9th International Conference on Control, Decision and Information Technologies (CoDIT), pp. 1942-1947, Rome, Italy, 2023. https://doi.org/10.1109/CoDIT58514.2023.10284502.
  18. M.E. Karar, A.H. El-Garawany, and M. El-Brawany, Optimal adaptive intuitionistic fuzzy logic control of anti-cancer drug delivery systems. Biomedical Signal Processing and Control, 58, 101861, 2020. https://doi.org/10.1016/j.bspc.2020.101861.
  19. R.H. Faisal, et al., A modular fuzzy expert system for chemotherapy drug dose scheduling. Healthcare Analytics, 3, 100139, 2023. https://doi.org/10.1016/j.health.2023.100139.
  20. H. Mahmoodian, S. Salem, and K. Shojaei, Adaptively adjusted footprint of uncertainty in interval type 2 fuzzy controller for cancer drug delivery. Procedia Computer Science, 76, 360-367, 2015. https://doi.org/10.1016/j.procs.2015.12.309.
  21. A. Gani, Aralık değerli tip-2 bulanık denetleyici ile negatif gerilim çıkışlı temel seri luo çeviricinin denetimi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 11 (4), 904-910, 2022.
  22. L. Cervantes, C. Caraveo, and O. Castillo, Performance comparison between type-1 and type-2 fuzzy logic control applied to insulin pump injection in real time for patients with diabetes. Mathematics, 11(3), 730, 2023. https://doi.org/10.3390/math11030730.
  23. A. Gani, Robust adaptive DC-voltage regulator design for ultra-lift luo converter using PD interval type-2 TSK fuzzy controller. Journal of Electrical Engineering, 76 (4), 377-385, 2025. https://doi.org /10.2478/jee-2025-0039.
  24. F.P. Nishanth, S.K. Dash, and S.R. Mahapatro, Critical study of type-2 fuzzy logic control from theory to applications: a state-of-the-art comprehensive survey. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 10, 100771, 2024. https://doi.org/10.1016/j.prime.2024.100771.
  25. V.T. DeVita Jr, S.T. Lawrence, and S.A. Rosenberg, DeVita, Hellman, and Rosenberg’s Cancer: Principles & Practice of Oncology, 11th Edition. Wolters Kluwer, 2019.
  26. A. Swierniak, M. Kimmel, and J. Smieja, Mathematical modeling as a tool for planning anticancer therapy. European Journal of Pharmacology, 625 (1-3), 108-121, 2009. https://doi.org/10.1016/j.ejphar.2009.08.041.
  27. L.G. De Pillis, W. Gu, and A.E. Radunskaya, Mixed immunotherapy and chemotherapy of tumors: modeling, applications and biological interpretations. Journal of Theoretical Biology, 238 (4), 841-862, 2006. https://doi.org/10.1016/j.jtbi.2005.06.037
  28. H. Qaiser, I. Ahmad, and M. Kashif, Fuzzy, synergetic and non-linear state feedback control of chemotherapy drug for a cancerous tumor. Biomedical Signal Processing and Control, 62, 102061, 2020. https://doi.org/10.1016/j.bspc.2020.102061.
  29. N.N. Karnik and J.M. Mendel, Introduction to type-2 fuzzy logic systems. Proceedings of the 1998 IEEE International Conference on Fuzzy Systems, IEEE World Congress on Computational Intelligence (Cat. No. 98CH36228), 2, pp. 915-920, Anchorage,USA, 1998. https://doi.org/10.1109/FUZZY.1998.686240.
  30. E.H. Mamdani and S. Assilian, An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7 (1), 1-13, 1975. https://doi.org/10.1016/S0020-7373(75)80002-2.
  31. J. Kennedy and R. Eberhart, Particle swarm optimization. Proceedings of ICNN'95-International Conference on Neural Networks, 4, pp. 1942-1948, Perth, WA, Australia, 1995. https://doi.org/10.1109/ICNN.1995.488968.
  32. D. Wang, D. Tan, and L. Liu, Particle swarm optimization algorithm: an overview. Soft Computing, 22 (2), 387-408, 2018. https://doi.org/10.1007/s00500-016-2474-6.
  33. S. Soylu and K. Danisman, In silico testing of optimized fuzzy P+D controller for artificial pancreas. Biocybernetics and Biomedical Engineering, 38 (2), 399-408, 2018. https://doi.org/10.1016/j.bbe.2018.02.009.
  34. W. Zhao, L. Wang, and S. Mirjalili, Artificial hummingbird algorithm: a new bio-inspired optimizer with its engineering applications. Computer Methods in Applied Mechanics and Engineering, 388, 114194. https://doi.org/10.1016/j.cma.2021.114194.
  35. S. Soylu, Bir rüzgâr türbinine ait kanat hatve açısının AHA tabanlı PID tipi denetleyiciler ile optimal kontrolü. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 39 (2), 291-302, 2023. https://izlik.org/JA25MS53WT.
  36. S. Das, I. Pan, and S. Das, Performance comparison of optimal fractional order hybrid fuzzy PID controllers for handling oscillatory fractional order processes with dead time. ISA Transactions, 52 (4), 550-566, 2013. https://doi.org/10.1016/j.isatra.2013.03.004.
  37. K. Sabahi, et al., Input-output scaling factors tuning of type-2 fuzzy PID controller using multi-objective optimization technique. Mathematics, 8(4), 7917-7932, 2023. https://doi.org/10.3934/math.2023399.
  38. D. Pal, et al., An efficient tuning method for networked control systems. Discover Applied Sciences, 6 (654), 2024. https://doi.org/10.1007/s42452-024-06311-4.
  39. N. Dhieb, et al., Optimized drug regimen and chemotherapy scheduling for cancer treatment using swarm intelligence. Annals of Operations Research, 320 (2), 757-770, 2023. https://doi.org/10.1007/s1 0479-021-04234-6.