Derin öğrenme yöntemleri kullanarak medikal görüntülerinden otomatik hastalık tespiti ve tıbbi raporlarının yazılması

Göğüs röntgeni görüntüleri birçok hastalığın teşhisinde kritik rol oynamaktadır ancak görüntülerin geleneksel yöntemler ile analiz edilerek yorumlanması zaman alıcı, uzman personel gerektiren ve insan hatası riski yüksek bir süreçtir. Bu tez çalışmasının amacı, göğüs röntgeni görüntülerinden çok etiketli hastalıların teşhisi ve raporlanması için derin öğrenme tabanlı, yüksek performanslı, düşük maliyetli ve esnek modeller geliştirmektir. Çalışmada içerisinde 112.104 etiketli göğüs röntgeni görüntüsü olan ChestX-Ray14 veri seti, göğüs röntgeni görüntüleri ve raporlarından oluşan Indiana Üniversitesi göğüs röntgeni veri seti, tıbbi görüntü alt yazılama çalışmalarında kullanılan ROCOv2 veri seti ve tez kapsamında etik kurul izni ile göğüs röntgeni görüntüleri ve raporlarından oluşturulan Türkçe tıbbi raporlama veri seti kullanılmıştır. Tez çalışmaları kapsamında beş farklı uygulama yapılarak tıbbi görüntülerin raporlanması üzerine çalışmalar yürütülmüştür. İlk uygulamada, EfficientNet ve koordinat dikkat mekanizması birleştirilerek hesaplama maliyeti düşük ve yüksek başarılı bir model geliştirilerek14 hastalığın sınıflandırılmasında 0,8309 AUC oranı elde edilmiştir. İkinci uygulamada, G-CNX adı verilen ConvNeXt ve GRU mimarilerinin kodlayıcı-kod çözücü altyapısında birleştirildiği melez model ile paragraf düzeyinde raporlar üretilmiş ve Bleu-1 değerlendirme metriğinde 0,6544 olarak literatürdeki en yüksek raporlama puanına ulaşılmıştır. Üçüncü çalışmada DeiTGPT adı verilen damıtma tekniği kullanan model %66 zaman verimliliği ile dikkat çekmektedir. Dördüncü uygulamada transförmatör mimarilerinden güç alan Vi-Ba mimarisi 0,274 Rouge puanı elde etmiş ve esnekliğiyle ön plana çıkmıştır. Son uygulamada Türkçe tıbbi rapor üretimine odaklanılan Model-SEY mimarisi Bleu-1 metriğinde 0,6412 puanına ulaşarak teknik hem dilsel açıdan etkili sonuçlar üretmiştir. Tez kapsamında önerilen modeller, tıbbi raporlamanın verimliliğini artırabilecek, uzman doktorların iş yükünü azaltabilecek, tanı süreçlerinin kalitesini iyileştirebilecek ve olası insan hatalarını önleyebilecektir.