Meme tümörü ultrason görüntülerinin yapay zekâ teknikleri ve istatistiksel yöntemlerle sınıflandırılması

Meme kanseri, erken teşhisin hasta sonuçlarını iyileştirmek için kritik öneme sahip olduğu, küresel bir sağlık sorunu olarak kalmaya devam etmektedir. Girişimsel olmayan bir tanı aracı olan ultrason görüntüleme, tümör özelliklerine dair değerli bilgiler sunmaktadır. Ancak, görsel özelliklerin örtüşmesi nedeniyle iyi huylu ve kötü huylu tümörleri ayırt etmede zorluklar yaşanmaktadır. Yapay zeka (YZ) teknikleri, tıbbi görüntülemede sınıflandırma doğruluğunu artırmada umut vaat etmektedir. Bu çalışma, ultrason görüntülerinden meme tümörlerini sınıflandırmada dört YZ modelinin Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve k-En Yakın Komşu (k-NN) etkinliğini araştırmaktadır. Çalışmada, her biri 150 iyi huylu ve 150 kötü huylu olmak üzere toplamda 300 ultrason görüntüsünden oluşan bir veri seti, her bir YZ modelinin değerlendirilmesi için kullanılmıştır. Sonuç olarak, YSA %87.78 ile en yüksek doğruluğu sağlarken, DVM %86.67, KA %83.33 ve k-En Yakın Komşu %72.22 bunu takip etmiştir. Özgüllük en yüksek DVM için %95.56, duyarlılık ise YSA için %86.67 olarak tespit edilmiştir. YSA, ayrıca %88.64 ve %86.96 ile pozitif ve negatif öngörü değerlerinde de olumlu sonuçlar vermiştir. Eğri Altındaki Alan (EAA) değerleri YSA %87.80 ve DVM %86.70 için güçlü bir performans göstermiş, k-En Yakın Komşu ise çoğu metrikte en düşük performansı sergilemiştir. Son olarak, bu çalışma, kötü huylu tümörlerin iyi huylu tümörlere kıyasla daha fazla heterojenlik ve düzensizlik sergilediğini, iyi huylu tümörlerin ise daha yuvarlak bir yapıya sahip olduğunu ortaya koymaktadır. Bulgular, YSA ve DVM'nin meme tümörü sınıflandırmasında sağlam doğruluk ve güvenilirlik sunduğunu ve KA ile k-NN'nin üzerinde bir performans gösterdiğini ortaya koymaktadır. Anahtar kelimeler: Destek vektör makineleri, Görüntü işleme, Karar ağaçları, k-en yakın komşu, Meme tümörü, Ultrason, Yapay sinir ağları