Çocuklarda bulaşıcı hastalıkları tespıt eden yapay zeka sistemi

Pnömoni hastalarının görüntülerinin doğru bir şekilde tanınması ve sınıflandırılması tanı ve tedavinin sağlanması için kritik öneme sahiptir. Evrişimli Sinir Ağları (CNN) gibi derin öğrenme teknikleri bu görevde %96,8 doğruluk ve CNN Uzun Süreli Bellek (CNN LSTM) %97 doğruluk seviyeleri göstermiştir. Modeller, Kaggle'dan elde edilen pediatrik pnömoni hastalarının 5856 sınıflandırılmış görüntüsünden oluşan bir veri seti kullanılarak değerlendirildi. Veri seti eğitim (%70), test (%15) ve doğrulama (%15) setlerine ayrıldı. Her iki CNN RF modeli de %92'lik bir doğruluk elde etti ve CNN SVM, klinisyenler ve radyologlar için faydalı kaynaklara katkıda bulunan %93'lük bir doğruluk elde etti. Ek olarak, olasılıklara dayalı kararlar vererek sonuçları gösteren ve doğruluğu %96,5 olan CNN FUZZY modelimizde mantıksal kuralların uygulamasını inceledik. Görüntülerden özellik çıkarımı, bir optimize edici ile elde edilen modellere dayalı tahminler sağlayan modelleme sürecinin bir bileşenidir. Performansı artırmak için Adams parametrelerinde değişiklikler yapıldı. Model performansının değerlendirilmesi, doğruluk değerlendirmesiyle birlikte hatırlama, doğruluk ve F1 puanı gibi ölçümleri içerir. Bu ölçütler, iyileştirilecek alanların belirlenmesine yardımcı olmak için modellerin etkinliğinin bir değerlendirmesini sağlar ve incelemeler için bir referans görevi görür. Modellerin yüksek doğruluğu, pnömoni hastalarını doğru şekilde sınıflandırma yeteneklerini potansiyel olarak hasta sonuçlarını iyileştirdiğini göstermektedir. Bu çalışmada kullanılan değerlendirme ölçekleri, gerçek dünya koşullarında güvenilir ve doğru performans sağlamak için bu ölçekleri entegre etmenin önemini vurgulayan modellerin güçlü ve zayıf yönlerinin bir analizini sağlar.