Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması

Son yıllarda medikal görüntü analizi alanında derin öğrenme tabanlı yöntemler, hastalık tanısında ve klinik tanı destek sistemlerinde önemli bir yer edinmiştir. Özellikle yüksek çözünürlüklü medikal görüntülerde karmaşık doku yapılarının incelenmesi geleneksel yöntemlerin ötesinde açıklanabilir ve güvenilir makine öğrenmesi yaklaşımlarına olan ihtiyacı artırmaktadır. Bu tez çalışmasının genel amacı, farklı medikal görüntüleme alanlarında (histopatoloji, dermatoloji ve otoskopi) dönüşüm ve evrişim tabanlı mimariler ile Açıklanabilir Yapay Zeka (AYZ) yöntemlerini bütünleştirerek yorumlanabilir ve genellenebilir sınıflandırma modelleri geliştirmektir. Bu kapsamda ilk aşamada, akciğer kanseri histopatolojik görüntülerinin otomatik sınıflandırılması için Evrişimsel Sinir Ağı, Vision Transformer (ViT) ve EfficientNet-B1 mimarileri karşılaştırılmış; açıklanabilirlik kapsamında Local Interpretable Model-agnostic Explainable (LIME) yöntemi uygulanmıştır. Ayrıca FourierNet (FNet) mimarisi ile LIME algoritmasının birlikte kullanıldığı ikinci bir çalışma (akciğer, kolon, meme kanseri) ile model çıktılarının medikal anlamlılığı değerlendirilmiş ve sonuçlar patolog görüşüyle doğrulanmıştır. Tezin ikinci aşamasında, farklı klinik alanlarda dönüşüm tabanlı modellerin genellenebilirliğini incelemek amacıyla deri lezyonu ve kulak zarı veri setleri üzerinde ViT ve Data-efficient Image Transformer (DeiT) modelleri eğitilmiştir. Deri lezyonları sınıflandırmasında en başarılı iki yöntem olarak tespit edilen Gradient Weighted Class Activation Map (Grad-CAM) ve Layer-wise Relevance Propagation (LRP) yöntemleri birleştirilerek Temel Bileşenler Analizi tabanlı yeni bir hibrit açıklanabilir yaklaşım önerilmiştir. Otoskopik görüntülerde ise yine en başarılı iki metot olarak bulunan Attention Rollout (AR) ve LRP yöntemlerinin Kanonik Korelasyon Analizi ile bütünleştirildiği hibrit bir açıklama stratejisi sunulmuştur. Açıklanabilirlik performansı, silme ve ekleme nedensel metrikleriyle nicel olarak değerlendirilmiştir. Elde edilen sonuçlar, ViT modelinin tüm veri kümelerinde en yüksek doğruluk, hassasiyet ve eğrinin altında kalan alan (AUC) değerlerini sağladığını göstermiştir. Deri lezyonları veri setinde ikili sınıflandırmada AUC=0.9192, çok sınıflı analizde AUC=0.9784 değerine ulaşılmış; kulak zarı görüntülerinde ise ViT modeli 0.9976 AUC değeriyle en yüksek başarımı göstermiştir. Hibrit açıklanabilir yaklaşımlar, tekil AYZ yöntemlerine göre daha düşük silme ve daha yüksek ekleme skorlarıyla model kararlarının güvenilirliğini artırmıştır. Sonuç olarak, mevcut tez kapsamında geliştirilen modeller, farklı medikal görüntüleme alanlarında hem yüksek sınıflandırma başarımı hem de güvenilir açıklanabilirlik sunarak klinisyenlerin güvenini ve karar destek sistemlerinin şeffaflığını artırmaktadır. Gelecekteki çalışmalar, çok merkezli veri kümeleri kullanarak farklı modalitelerin entegrasyonu ve gelişmiş nedensel analizlerle modelin klinik uygulanabilirliğini artırmayı hedeflemektedir.