Mamografi görüntüleri kullanarak evrişimsel sinir ağı tabanlı meme kanserinin erken tespiti

Dünya Sağlık Örgütü (WHO) verilerine göre, meme kanseri kadınlarda en yaygın kanser türüdür ve bu türden kaynaklanan ölüm oranları da oldukça yüksektir. Meme kanserinin doğru ve zamanında tespiti, tedavi sürecinin başarısını doğrudan etkileyen kritik bir faktördür. Geleneksel mamografi ve görüntüleme yöntemleri, radyologların deneyimlerine bağlı olarak farklılık gösterebilir; bu da yanlış pozitif veya negatif sonuçların ortaya çıkmasına yol açabilir. Bu bağlamda, yapay zeka ve derin öğrenme teknolojilerinin entegrasyonu, kanser teşhisinde önemli bir gelişme sağlamaktadır. Derin öğrenme algoritmaları, büyük veri setlerini işleyebilme ve öğrenme yetenekleri sayesinde, mamografi görüntülerindeki anormallikleri tanımada yüksek doğruluk oranları sunmaktadır. Bu çalışmanın amacı, meme kanseri teşhisinde derin öğrenme tabanlı sınıflandırma sistemlerinin doğruluğunu ve güvenilirliğini artıran yeni bir model geliştirmektir. Breast Cancer Ensemble Convolutional Neural Network (BCECNN) modeli, AISSLab veri kümesi kullanılarak geliştirilmiştir. Model, beş farklı derin öğrenme mimarisinin (AlexNet, VGG16, ResNet-18, EfficientNetB0, XceptionNet) çıktılarının çoğunluk oylaması (majority voting) yöntemiyle birleştirildiği üçlü (TECNN) ve beşli (FECNN) ensemble yapıları kullanmaktadır. Bu metodoloji, her bir ağın güçlü yönlerini bir araya getirerek daha doğru ve güvenilir tahminler elde etmeyi amaçlamaktadır. Model, aşırı öğrenme problemini engellemek ve genelleme kapasitesini artırmak için transfer öğrenme teknikleri ile optimize edilmiştir. Transfer öğrenme, modelin sınırlı veri ile daha iyi sonuçlar elde etmesini sağlayarak, eğitimin daha verimli hale gelmesine katkı sağlamaktadır. BCECNN modelinin performansı, AISSLab veri kümesinden beş farklı sınıflandırma alt kümesi oluşturularak (AISSLab-v1, AISSLab-v2, AISSLab-v3, AISSLab-v4, AISSLab-v5) kapsamlı bir şekilde değerlendirilmiştir. Bu testler, modelin doğruluğunu, güvenilirliğini ve genellenebilirliğini farklı klinik senaryolar altında analiz etmeyi sağlamıştır. Sonuçlar, BCECNN modelinin %98,75 doğruluk oranına ulaştığını ve mevcut literatürdeki en başarılı modellerden biri olduğunu göstermektedir. Bu, modelin meme kanseri teşhisinde oldukça etkili bir araç olabileceğini ve klinik uygulamalarda güvenle kullanılabileceğini ortaya koymaktadır. Modelin önemli katkılarından biri de Açıklanabilir Yapay Zeka (XAI) tekniklerinin entegrasyonudur. Gradyan Ağırlıklı Sınıf Aktivasyon Haritalama (Grad-CAM) ve Yerel Yorumlanabilir Modelden Bağımsız Açıklamalar (LIME) gibi açıklanabilirlik yöntemleri kullanılarak, modelin karar süreçleri şeffaflaştırılmıştır. Bu sayede klinik uzmanlar, modelin hangi görüntü bölgelerini kritik olarak değerlendirdiğini görselleştirebilmiş ve modelin kararlarının güvenilirliğini daha iyi analiz edebilmiştir. Açıklanabilir yapay zeka desteği, klinik uzmanların modelin sonuçlarına duyduğu güveni artırmakta ve modelin klinik karar destek sistemlerinde kullanılabilirliğini kolaylaştırmaktadır. Sonuç olarak, BCECNN modeli, yüksek doğruluk oranı, açıklanabilir yapay zekâ desteği ve klinik uygulanabilirlik açısından önemli avantajlar sunmaktadır. Modelin, yapay zekâ tabanlı klinik karar destek sistemlerinin gelecekteki kullanımına katkı sağlayacak büyük bir potansiyeli vardır. Bu çalışma, derin öğrenme tekniklerinin meme kanseri teşhisi gibi kritik sağlık sorunlarında etkili bir şekilde kullanılabileceğini ve yapay zekâ uygulamalarının sağlık sektöründe nasıl daha verimli hale getirilebileceğini ortaya koymaktadır. Bu bağlamda, geliştirilen BCECNN modeli, sağlık alanında yapay zekâ tabanlı sistemlerin klinik uygulamalara entegrasyonunu destekleyecek önemli bir adım teşkil etmektedir.