Makine öğrenimi yöntemlerinin beyin tümörü tespitindeki başarısı

Amaç: Radyoloji uzmanları tarafından tümör tanısı konulmuş pediatrik hastaların beyin MR görüntülerinin makine öğrenimi yöntemi kullanılarak eğitilen modeller ile test edilerek başarı düzeyinin araştırılmasıdır. Gereç ve Yöntem: Bu çalışma, metodolojik bir araştırma olup; 2010–2024 yılları arasında üçüncü basamak sağlık hizmeti sunan Dicle Üniversitesi Tıp Fakültesi Hastanesi'ne başvuran 18 yaş altı pediatrik hastaların beyin MR görüntüleri retrospektif olarak değerlendirilmiştir. Radyoloji uzmanları tarafından beyin tümörü saptanan 230 hasta ile beyin tümörü saptanmayan 230 hasta çalışmaya dahil edilmiştir. Toplam 460 hastadan elde edilen 1380 MR görüntüsü analiz edilmiştir. Hastalar, tümör pozitif ve tümör negatif olmak üzere iki gruba ayrılmıştır. MR görüntülerinde tümör lokasyon tespiti ve ikili sınıflandırma yapmak amacıyla derin öğrenme tabanlı YOLOv12 ve EfficientNetB4 mimarileri değerlendirilmiştir. Görüntülerin analizinde Python programlama dili kullanılmış ve görüntülerin etiketlemesinde Roboflow platformu kullanılmıştır. Bulgular: CNN modeli ile tümörlü ve tümörsüz MR imajı sınıflandırmasında EfficientNetB4 %97 doğruluk oranı bulunmuştur. YOLOv12 modeli ise mAP50 %89 doğruluk oranı bulunmuştur. Eğitim süreci boyunca her iki modelde de istikrarlı kayıp azalması ve doğrulama başarısı sağlanmıştır. Model hem eğitim hem test verilerinde tutarlı sonuçlar üretmiş olup, aşırı öğrenme gözlemlenmemiştir. Sonuç: Çalışmada elde edilen bulgular, geliştirilen modellerin klinik karar destek sürecine katkı sağlayarak radyoloji uzmanlarına yardımcı bir araç olarak kullanıldığında iş yükü ve maliyet açısından fayda sağlayabilmektedir.