Derin öğrenme yöntemleri ile yüz görüntülerinden kronik ve genetik hastalıkların ön tanısı

Kronik hastalıklar genellikle uzun süre tedavi ya da bakım gerektiren, genetik hastalıklar ise genler aracılığı ile nesilden nesile aktarılabilen sağlık sorunlarıdır. Hemen her hastalık bireylerin yaşam kalitesini olumsuz etkilemektedir. Son yıllarda yüz özelliklerinin, yüz de değişen ve gelişen anomalilerin analizi ile hastalık teşhisi için derin öğrenme algoritmalarının etkin bir şekilde kullanılması giderek önem kazanmaktadır. Bu çalışmada derin öğrenme yöntemleri ile yüz görüntülerinden anomali tespiti ve hastalık sınıflandırma başarısı araştırılmıştır. Klasik ESA'lara kıyasla geliştirilen modellerin performansını değerlendiren bu çalışma, farklı modellerin başarılarının karşılaştırılması amaçlanmıştır. . Transfer öğrenme yöntemleri ve farklı teknikler ile her modelin hem kendi içinde ham de diğer modeller ile performans başarıları karşılaştırılmıştır. Klasik bir ESA mimarisi ve ViT modeli ile ikili hastalık başarı ve performansı karşılaştırılmıştır. ESA mimarilerinden (Resnet50 ve InceptionV3), yeni mimari modellerden görsel dönüştürücüler (ViT) ve EfficientFormer ile çoklu hastalık sınıflandırması yapılmıştır. Çalışmada dört hastalık grubu ve bir kontrol grubu olarak belirlediğimiz tüm hastalıkların ikili sınıflandırılması yapılmış ve en yüksek performans ViT modeli ile elde edilmiştir.Derin öğrenme uygulamaları, özellikle ViT modelinin küçük veri setleriyle yüz teşhisinde gösterdiği yüksek başarı oranı, yeni geliştirilen modellerin hızlı ve hibrit yaklaşımlara ihtiyaç duymaksızın etkin sonuçlar üretme yeteneğiyle dikkat çekmektedir. Bu gelişmeler, medikal alanda hekimlerin hasta yükünü azaltmanın yanı sıra insani hataların önlenmesine de önemli katkılar sağlayarak, bu teknolojilerin güvenle kullanılabileceğini göstermektedir. Ayrıca, girişimsel ve radyolojik yöntemlere ihtiyaç duyulmadan bazı hastalıkların erken tanısının konulabilmesi, sağlık sistemlerinin verimliliğini artırarak ülkelerin sağlık harcamalarında önemli tasarruflar sağlayabilecektir. Bu durum hem hasta bakım maliyetlerini azaltacak hem de kaynakların daha etkin kullanılmasına olanak tanıyacaktır.