Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım

Doğumdan sonraki ilk yirmi sekiz gün yenidoğan periyodu olarak adlandırılmaktadır. Doğumsal anomaliler veya sonradan gelişen hastalıklar bu süre içinde ölüm oranının yüksek olmasına neden olmaktadır. Yenidoğan yoğun bakım ünitelerinde yer alan inkübatörlerde bakım ve tedavileri yapılan bebeklerin ani değişim gösterebilen vücut sıcaklıklarının hızla tespit edilmesi, sağlık durumlarının izlenmesinde önem kazanmaktadır. Yenidoğanda vücut ısısının ve termal simetrinin değerlendirilmesi, sağlık koşullarının izlenmesinde ve potansiyel risklerin tahmin edilmesinde önemlidir. Zararsız ve temassız bir yöntem olan termografi ile uygun yapay zekâ teknikleri kullanılarak yenidoğandaki hastalıkları erken aşamada tespit etmek mümkün olabilir. İnkübatörler bebeklerin tedavi ve bakımlarının yapıldığı, sıcaklık, nem, oksijen gibi parametrelerin kontrol altında tutulduğu yaşam alanlarıdır. Hastalıklara karşı savunma mekanizmalarının gelişmemiş olması, solunum desteğine ve fizyolojik parametrelerinin izlendiği cihazlara bağlı bulunmaları, termal izolasyonun sağlanma gereksinimi gibi faktörler mevcuttur. Ayrıca bazı hastalık kategorilerine sık rastlanırken, bazı hastalıklar nadiren görülmektedir. Yenidoğan yoğun bakım ünitelerinde karşılaşılan vaka çeşitliliği ve yenidoğan görüntülemenin hassasiyetle uygulanma gerekliliğinden yenidoğanların konfor alanını bozmadan tüm hastalık gruplarında yeterli sayıda görüntü popülasyonu içeren veri tabanları oluşturulamamaktadır. Tez çalışmasında az veri ile yenidoğan hastalıkları hakkında bilgi edinmeyi amaçlayan teknikler kullanılarak sınırlı sayıda veri içeren problemlere yönelik verimli sınıflama yöntemleri ve ön-tanı sistemleri geliştirilmiştir. Böylece veri sayısının yetersiz olduğu hastalıkların sınıflanması sağlanmıştır. Yeni doğan bebeklere ait tüm termogramlar Selçuk Üniversitesi, Tıp Fakültesi, Yeni Doğan Yoğun Bakım ünitesinde kaydedilmiş ve bir termal görüntü veri tabanı oluşturulmuştur. Geleneksel yapay zekâ yöntemlerine dayalı nesne sınıflama algoritmaları binlerce görüntü ve çok büyük veri kümeleri üzerinde eğitim gerektirirler. Sınıflama problemlerinde sık karşılaşılan durumlardan biri veri sayısının az olması ve bazı sınıflarda hiç verinin bulunmamasıdır. Bu problemin üstesinden gelebilmek için daha fazla veri toplamak gerekmektedir. Daha fazla veri toplamanın mümkün olmadığı durumlarda ise eldeki az miktarda veriyi çeşitli yollarla artırmak ve az veri ile öğrenmenin yollarını araştırmak gerekmektedir. Tez çalışmasında veri sayısının az ve dengesiz olması problemine karşılık verimli sınıflama yaklaşımları önerilmiştir. Bu kapsamda derin öğrenme ve veri artırma yaklaşımları ile kardiyovasküler hastalıklar, pulmoner anomaliler, nekrotizan enterokolit, intestinal atrezi, enfeksiyon hastalıkları ve özofagus atrezinin sınıflanması gerçekleştirilmiştir. İlk kez bu çalışma ile yenidoğan hastalıkları çok sınıflı olarak ele alınmış ve sınırlı sayıda veri örneği bulunan hastalıklar yüksek başarımla ayırt edilmiştir. Yürütülen uygulamalar dört başlık altında gerçekleştirilmiştir. Farklı evrişimli sinir ağları modelleri ve Siyam sinir ağları ile tek atış öğrenme yaklaşımı kullanılan çalışmalardan ilkinde tam bağlı ağ katmanında yapay sinir ağları ve destek vektör makinesi kullanılan evrişimli sinir ağları ile 'abdominal ve renal hastalıklar', 'kardiyovasküler hastalıklar' ve 'pulmoner anomaliler' veri artırma tekniklerinin yardımıyla %83 doğrulukla sınıflanmıştır. Önerilen ikinci yöntemde, dört hastalık sınıfı için altı farklı yaklaşım önerilmiş ve en yüksek doğruluk %94.55 olarak elde edilmiştir. Yenidoğanlarda en sık karşılaşılan durumlardan biri olan pulmoner anomalilerin belirlenmesi için yapılan çalışmada evrişimli sinir ağı modeli geliştirilmiş ve veri artırmanın etkileri incelenmiştir. Bu uygulamada 34 yenidoğandan alınan görüntüler üzerinde veri artırımının sınıflama doğruluğunu %84'ten %91'e yükselttiği tespit edilmiştir. Bir başka uygulamada ise Siyam sinir ağları ve tek atış öğrenme yaklaşımı kullanılarak veri sayısının az olduğu hastalıkların (nekrotizan enterokolit, özofagus atrezisi ve intestinal atrezi vb.) tespitinde uzmanlara ön-tanı sağlamak için çok sınıflı sınıflama çalışması gerçekleştirilmiştir. İki farklı optimizasyon tekniği ve veri artırımı kullanılarak, 2 sınıflı ve 3 sınıflı değerlendirme yaklaşımlarında test edilen yöntem ile sadece birkaç örnek veri bulunan kritik hastalıklar sınıflanmıştır. Sinir ağı modeli tarafından hiç görülmeyen sınıfların test edilebildiği tek atış öğrenme yaklaşımı sonuçlarına göre katman-bazlı stokastik grayan inişi algoritması veri artırımı ile kullanıldığında ortalama %92.50 doğruluk değeri vermiştir. Hastalık türü baz alınarak çıkarılan sonuçlar enfeksiyon hastalıkları ve özofagus atrezide %100, intestinal atrezide %99.17, nekrotizan enterokolitte %94.17 doğruluk elde edildiğini göstermektedir.