A novel deep learning framework enhanced by hybrid optimization using dung beetle and fick's law for superior pneumonia detection

Pnömoni, özellikle çocuklar ve yaşlılar arasında, küresel mortalitenin önde gelen nedenlerinden biridir ve akciğerlerdeki hava keseciklerinin iltihaplanması ile karakterize edilir. Hastalığın yayılmasını önlemek ve hasta sonuçlarını iyileştirmek için erken ve doğru tespit kritik öneme sahiptir. Fiziksel muayeneler, kan testleri ve radyologlar tarafından gerçekleştirilen göğüs röntgeni analizlerini içeren geleneksel tanı yöntemleri etkili olmakla birlikte, genellikle zaman alıcı, kaynak yoğun ve insan hatalarına açık yöntemlerdir. Bu sınırlamalar, gelişmiş ve verimli tanı çözümlerine olan ihtiyacı vurgulamaktadır. Bu çalışma, göğüs röntgeni görüntülerini kullanarak pnömoni tespitini geliştirmek için Derin Öğrenme tekniklerini, özellikle Evrişimsel Sinir Ağları (CNN) ve MobileNet mimarilerini kullanmaktadır. Derin öğrenme, veri üzerinden otomatik özellik çıkarımı yoluyla görüntü tanıma görevlerinde üstün performans gösterdiği için tıbbi tanılarda güçlü bir araç olarak kabul edilmektedir. Araştırma, NORMAL veya PNEUMONIA olarak etiketlenmiş büyük bir göğüs röntgeni veri setine bu modelleri uygulamakta ve veri kalitesini ve çeşitliliğini artırmak için normalizasyon ve veri artırmayı içeren titiz ön işleme tekniklerini kullanmaktadır. Model performansını optimize etmek için, dung beetle optimizasyonu ve Fick'in difüzyon yasasından esinlenen hibrit optimizasyon teknikleri uygulanmıştır ve bu teknikler karmaşık parametre alanlarında etkili bir şekilde gezinmektedir. Doğruluk, kesinlik, geri çağırma ve F1 skoru gibi değerlendirme metrikleri modellerin doğruluğunu kanıtlamaktadır. Sonuçlar, MobileNet modelinin üstün performans göstererek %98,19 doğruluk oranına ulaştığını ve CNN taban çizgisini önemli ölçüde geride bıraktığını göstermektedir. Bu, pnömoni tanısında derin öğrenme ve yenilikçi optimizasyon yöntemlerinin potansiyelini vurgulamaktadır. Bulgular, yapay zekânın sağlık alanındaki daha geniş etkilerini vurgulamakta ve doğru ve zamanında hastalık tespiti sağlayan güçlü tanı araçlarının geliştirilmesi için bir yol sunmaktadır. Bu araştırma, küresel pnömoni yükünün hafifletilmesine katkıda bulunmakta ve tıbbi sonuçları iyileştirmek için makine öğreniminde yeniliğin devam etmesi gerektiğinin altını çizmektedir.