Adaptif transfer öğrenme modeli geliştirerek hastalık teşhisi

Dünya genelinde her yıl zatürre hastalığından milyonlarca insan etkilenmekte ve ölümler yaşanmaktadır. Bu yüzden zatürre hastalığının erken teşhisi, tedavi süreci için hayati öneme sahiptir. Bu çalışmada hastalığın teşhisi için derin öğrenmeye dayalı web tabanlı bir tanı sistemi geliştirilmiştir. Bu amaçla MobileNetV2, ResNet50V2, ResNet152V2, VGG16 ve VGG19 derin öğrenme modelleri kullanılmıştır. İnce ayar stratejisi derin öğrenme modellerinin son katmanının hedef verilerine göre özelleştirilmesiyle uygulanmıştır. Modellerin daha iyi tahminleme yapabilmesi için çeşitli veri artırma yöntemleri kullanılarak görüntü sayısı artırılmıştır. Performans değerlendirmesi için doğruluk, kesinlik, F1 ve Auc-Roc skor parametreleri kullanılmıştır. Deneysel çalışmalarda MobileNetV2, ResNet50V2, ResNet152V2, VGG16 ve VGG19 modellerinin doğruluk yüzdeleri %84.4, %88.6, %88.5, %90, %87.8 iken özelleştirilmiş modellerin doğruluk değerleri sırasıyla %89.2, %92.3, %87.8, %91.5, %89.4'tür. Özgün modeller ile özelleştirişmiş modeller karşılaştırıldığında, özelleştirilmiş ResNet50V2 ve özelleştirilmiş VGG16 modelleri, modeller arasında %92,3 ve %91,5 doğrulukla daha yüksek performans sergiledi.