Akciğer röntgen görüntülerinden derin öğrenme modelleri kullanılarak solunum yolu hastalıklarının teşhis edilmesi

Solunum yolu hastalıkları geçmişten günümüze dünya çapında her yıl milyonlarca insanı etkileyen önemli sağlık sorunlarındandır. Bu hastalıkların doğru ve hızlı teşhis edilmesi, hastaların tedaviye başlama aşamasında kritik rol oynamaktadır. Geleneksel yöntemlerde radyologların subjektif yorumlarına bağlı olarak ortaya çıkabilecek hataları ve uzun teşhis süreleri hastaların tedavi süreçlerini olumsuz etkilemektedir. Özellikle pandemi dönemlerinde sağlık sistemleri üzerindeki yükü azaltmak için hızlı ve doğru teşhis kritik önem taşımaktadır. Bu çalışma, hızla gelişen derin öğrenme teknolojilerini kullanarak akciğer röntgen görüntülerinden solunum yolu hastalıklarının otomatik olarak teşhis edilmesi amacıyla gerçekleştirilmiştir. Çalışmada, EfficientNetB1 mimarisi temel alınarak, COVID-19 Radiography Database veri seti üzerinde eğitilmiş bir derin öğrenme modeli geliştirilmiştir. Verinin ön işleme aşamalarında, görüntülerin boyutlandırılması, veri artırma teknikleri ve etiketleme işlemleri gerçekleştirilmiştir. EfficientNetB1 modeli, ImageNet veri kümesinden önceden eğitilmiş ağırlıkları öğrenme aktarımı yöntemiyle öğrenmiştir. Modelin son katmanı sistemden çıkarılıp sınıflandırma katmanı eklenmiş ve model yeni veri setine uyarlanmıştır. Modelin eğitim aşamasında Adamax optimizasyon algoritması ve "categorical_crossentropy" kayıp fonksiyonu ile modelin performansını değerlendirmek için doğruluk metriği kullanılmıştır. Geliştirilen model, 23726 saniyelik eğitim süresiyle normal (sağlıklı), zatürre (pnömoni), COVID-19 ve akciğer opaklığı gibi dört farklı solunum yolu hastalığını %98,56 gibi yüksek bir doğruluk oranıyla sınıflandırmıştır. Model, özellikle diğer çoklu sınıflandırma modellerine göre yüksek doğruluk oranı yakalarken bunu hızlı bir eğitim süresiyle yakalamış olması geliştirilen modelin diğer modellere göre daha verimli olduğunu göstermiştir. Bu sonuçlar, modelin tıbbi görüntüleme alanında otomatik tanı sistemleri için güçlü bir aday olduğunu göstermektedir. Çalışma, solunum yolu hastalıklarının erken teşhisinde derin öğrenmenin potansiyelini ortaya koyarak sağlık hizmetlerinin kalitesini artırmaya yönelik önemli bir adım olarak değerlendirilebilir.