Akciğer kanserinin tespitinde derin öğrenme modellerinin karşılaştırılması

Akciğer kanseri, küresel ölçekte en yüksek mortalite oranına sahip kanser türlerinden biri olup, tanıda gecikme hastaların yaşam süresini belirgin şekilde azaltmaktadır. Bu çalışmada, akciğer kanserinin otomatik tespiti için bilgisayarlı tomografi (BT) görüntülerinde modern derin öğrenme mimarileri (VGG16, ResNet-50, EfficientNet-B0, MobileNetV2 ve InceptionV3) standart ve veri sızıntısız bir deneysel protokol altında karşılaştırmalı olarak değerlendirilmiştir. Çalışmada, Irak'taki iki büyük onkoloji merkezinden toplanan, uluslararası ve açık erişimli IQ-OTH/NCCD veri seti kullanılmış olup veri seti; Malignant 561, Benign 120 ve Normal 416 olmak üzere toplam 1097 BT diliminden oluşan üç sınıf içermektedir. Gerçekçi bir klinik senaryo elde etmek ve veri sızıntısını engellemek amacıyla, tüm BT görüntüleri herhangi bir ön işleme veya artırma uygulanmadan önce katmanlı olarak eğitim yüzde 70, doğrulama yüzde 15 ve kilitli test yüzde 15 alt kümelerine ayrılmıştır. Sadece eğitim alt kümesindeki sınıf dengesizliği, sabit hedefli bir aşırı örnekleme stratejisi ile giderilmiş ve her sınıf 1000 görüntüye tamamlanmıştır; doğrulama ve test alt kümelerine hiçbir artırma veya dengeleme işlemi uygulanmamıştır. Ön işleme aşamasında BT görüntülerine pencereleme uygulanmış, ardından Otsu eşikleme, morfolojik açma-kapama işlemleri, delik doldurma ve bir piksel erozyon ile akciğer bölgeleri otomatik olarak maskelenmiştir. Tüm derin öğrenme modelleri ImageNet ağırlıklarıyla başlatılarak MATLAB R2024b ortamında transfer öğrenme yöntemiyle yeniden eğitilmiştir. Modeller kilitli test veri kümesi üzerinde doğruluk, duyarlılık, kesinlik, özgüllük, F1 skoru ve ROC-AUC gibi istatistiksel performans metrikleriyle değerlendirilmiştir. Elde edilen sonuçlara göre EfficientNet-B0 modeli yüzde 98.17 doğruluk ile en yüksek performansı göstermiştir. Diğer modeller sırasıyla; InceptionV3 yüzde 96.95, MobileNetV2 yüzde 96.34, VGG16 yüzde 93.90 ve ResNet-50 yüzde 89.63 doğruluk değerlerine ulaşmıştır. Klinik açıdan kritik olan Malignant sınıfının duyarlılığı EfficientNet-B0'da yüzde 98.81 ile en yüksek değere ulaşmış; ayrıca tüm modellerin Malignant sınıfında yüzde 100 kesinlik üretmiş olması, kanserli olarak sınıflandırılan hiçbir örneğin yanlış pozitif olmadığı anlamına gelmiştir. Grad-CAM tabanlı açıklanabilir yapay zekâ analizleri, ağların kararlarını nodül, opasite ve lezyon gibi klinik olarak anlamlı bölgelere odaklanarak verdiğini göstermiştir. Sonuç olarak, bu çalışma çok merkezli gerçek BT görüntüleri üzerinde beş farklı derin öğrenme mimarisini, veri sızıntısını ortadan kaldıran ve sınıf dengesini koruyan standartlaştırılmış bir eğitim protokolü altında karşılaştırarak literatüre güvenilir ve yeniden üretilebilir bir değerlendirme çerçevesi sunmaktadır.