Detection of Seborrheic & Atopic Dermatitis, Psoriasis, Onychomycosis Diseases with Artificial Intelligence

Yıl 2025, Cilt: 15 Sayı: 3, 1004 - 1026, 15.09.2025

Kevser Şahinbaş , Berna Şevval Uysal , Sude Tozmaz , Zeliha Sezgin

https://doi.org/10.31466/kfbd.1550690

Öz

This study aims to accurately and rapidly detect seborrheic dermatitis, atopic dermatitis, psoriasis and onychomycosis diseases using artificial intelligence technology. The use of artificial intelligence technologies in this field offers significant advantages by accelerating diagnosis processes and increasing the accuracy rate. Deep learning techniques, an important branch of artificial intelligence, were used in this study. It is aimed to diagnose skin diseases with high accuracy from images using the YOLO algorithm.The dataset obtained from Kaggle was used to develop the proposed model and the model was trained. The dataset contains high-resolution skin images of seborrheic dermatitis, atopic dermatitis, psoriasis and onychomycosis diseases. In the methodology section of the study, the stages of pre-processing the data, developing the model and testing the model are discussed in detail. Before the data was submitted to machine learning, single-class classification operations were performed via RoboFlow and the images were brought to the standard size of 640x640. For the model, the yolov8s-cls model of the Yolov8 algorithm was used and coded in the Google Colab environment. During the training of the model, the performance of the model was evaluated using training, validation and test data sets. The model reached an accuracy rate of 88.3% and successfully classified the diseases. The accuracy rates obtained reveal the potential of such models to be used in clinical applications. This study aims to contribute to the widespread use of artificial intelligence-based systems in the healthcare sector and to the improvement of diagnostic processes.

Anahtar Kelimeler

Skin Diseases , Artificial Intelligence , RoboFlow , YOLOv8 , Classification , Convolutional Neural Networks

Seboreik & Atopik Dermatit, Psoriasis, Onikomikoz Hastalıklarının Yapay Zekâ ile Tespit Edilmesi

Öz

Bu çalışma, seboreik dermatit, atopik dermatit, psoriasis ve onikomikoz hastalıklarının yapay zekâ teknolojisi kullanılarak doğru ve hızlı bir şekilde tespit edilmesini hedeflemektedir. Yapay zekâ teknolojilerinin bu alanda kullanımı, teşhis süreçlerini hızlandırarak ve doğruluk oranını artırarak önemli avantajlar sunmaktadır. Bu çalışma kapsamında, yapay zekânın önemli bir dalı olan derin öğrenme teknikleri kullanılmıştır. YOLO algoritması kullanılarak, cilt hastalıklarının görüntüler üzerinden yüksek doğrulukla teşhis edilmesi amaçlanmıştır. Önerilen modelin geliştirilmesi için Kaggle'dan elde edilen veri seti kullanılmış ve model eğitilmiştir. Veri seti, seboreik dermatit, atopik dermatit, psoriasis ve onikomikoz hastalıklarına ait yüksek çözünürlüklü cilt görüntülerini içermektedir. Çalışmanın metodoloji kısmında, verilerin ön işleme tabi tutulması, modelin geliştirilmesi ve test edilmesi aşamaları ayrıntılı bir şekilde ele alınmıştır. Veriler makine öğrenimine sunulmadan önce RoboFlow üzerinden tek sınıflı sınıflandırma işlemleri yapılmış ve görüntüler 640x640 standart boyutlarına getirilmiştir. Model için, Yolov8 algoritmasının yolov8s-cls modeli kullanılmış ve Google Colab ortamında kodlanmıştır. Modelin eğitimi sırasında, eğitim, doğrulama ve test veri setleri kullanılarak modelin performansı değerlendirilmiştir. Model, %88.3 doğruluk oranına ulaşmış ve hastalıkları başarılı bir şekilde sınıflandırmıştır. Elde edilen doğruluk oranları, bu tür modellerin klinik uygulamalarda kullanılma potansiyelini ortaya koymaktadır. Bu çalışma, sağlık sektöründe yapay zekâ tabanlı sistemlerin kullanımının yaygınlaşmasına ve teşhis süreçlerinin iyileştirilmesine katkıda bulunmayı amaçlamaktadır.

Anahtar Kelimeler

Cilt Hastalıkları , Yapay Zekâ , RoboFlow , YOLOv8 , Sınıflandırma , Evrişimsel Sinir Ağları

Kaynakça

• Akyon, F. Ç., & Jocher, G. (2024, 08 30). YOLOv8 Genel Bakış. ultralytics: https://docs.ultralytics.com/tr/models/yolov8/ adresinden alındı
• Bilgin, G., & Çifci, A. (2021). Eritematöz Skuamöz Hastalıkların Teşhisinde Makine Öğrenme Algoritmalarının Etkisi. Journal of Intelligent Systems: Theory and Applications, s. 195-202.
• Chovatiya, R. (2023). Atopic Dermatitis (Eczema). JAMA, s. 268.
• Codella, N., Cai, J., Abedini, M., Garnavi, R., Halpern, A., & Smith, J. R. (2015). Deep learning, sparse coding, and svm for melanoma recognition in dermoscopy images. International Workshop on Machine Learning in Medical Imaging, Springer, s. 118-126.
• Çifci, A., İlkuçar, M., Bozkurt, M. R., & Uyaroğlu, Y. (2014). Liken planus ve Sedef Deri Hastalıklarının Çok Katmanlı Yapay Sinir Ağı Kullanılarak Sınıflandırılması. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, s. 30-36.
• Çilhoroz, Y., & Işık, O. (2021). Yapay Zekâ: Sağlık Hizmetlerinden Uygulamalar. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, s. 573-588.
• DermNet. (2024). Dermatology Image Database. Dermnet: https://dermnetnz.org/ adresinden alındı
• Dorynska, A., & & Spiewak, R. (2012). Epidemiology of skin diseases from the spectrum of dermatitis and eczema. Malays J Dermatol, s. 1-11.
• Eker, A. G., & Duru, N. (2021). Medikal Görüntü İşlemede Derin Öğrenme Uygulamaları. Acta Infologica, Volume 5, Number 2, s. 406-474.
• Fonacier, L. S., Dreskin, S. C., & Leung, D. Y. (2010). Allergic skin diseases. Journal of Allergy and Clinical Immunology, s. 138-149.
• Fukushima, K. (1980). Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position . Biological Cybernetics, s. 193-202.
• Goel, S. (2021). Dermnet. Kaggle: https://www.kaggle.com/datasets/shubhamgoel27/dermnet adresinden alındı
• Gül, M., & Çiftçi, İ. (2022). Onikomikoz ve Tedavi Yaklaşımları. Sağlık Akademisi Kastamonu, s. 587-612.
• Harangi, B. (2018, October). Skin lesion classification with ensembles of deep convolutional neural networks. Journal of Biomedical Informatics, s. 25-32.
• Havlickova, B., Czaika, V., & Friedrich, M. (2008). Epidemiological trends in skin mycoses worldwide. Mycoses, s. 2-15.
• Hay, R. J. (2011). Malassezia, dandruff and seborrhoeic dermatitis: an overview. British Journal of Dermatology, s. 2-8.
• Hazarika, I. (2020, July). Artificial intelligence: opportunities and implications for the health workforce. International Health, s. 241-245.
• Karaca, Y. E., & Aslan, S. (2022). Birbirine Benzeyen Üç Farklı Hastalığın Tespitinde Derin Öğrenme Modellerinin Performansı. Journal of New Results in Engineering and Natural Science, No:17, s. 35-47.
• Karaköse, E., & Aksu, M. (2023). İnsansız Hava Araçlarında Nokta Bulutu Verisi Kullanılarak İniş Pisti Uygunluk Analizi. Fırat Üniversitesi Müh. Bil. Dergisi, 535-551.
• Koo, T., Kim, M., & Jue, M.-S. (2021). Automated detection of superficial fungal infections from microscopic images through a regional convolutional neural network. PLoS ONE.
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, s. 1097-1105.
• Kurd, S. K., & Gelfand, J. M. (2009). The prevalence of previously diagnosed and undiagnosed psoriasis in US adults: results from NHANES 2003-2004. Journal of the American Academy of Dermatology, s. 218-224.
• Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. PROC OF THE IEEE.
• Lo, S., Lou, S., Lin, J., Freedman, M., Chien, M., & Mun, S. (1995). Artificial convolution neural network techniques and applications for lung nodule detection. IEEE Trans Med Imaging, s. 14(4):711 - 718.
• Lyons, F., & Ousley, L. E. (2014). Dermatology for the advanced practice nurse. Springer Publishing Company.
• Lyons, F., & Ousley, L. E. (2014). Dermatology for the advanced practice nurse. Springer Publishing Company.
• Öztürk, M., & Şahin, M. (2018). Yapay Zeka: Kavramlar Teoriler ve Uygulamalar. Bilişim Teknolojileri Dergisi, s. 85-95.
• Rahman, M. A., Reynolds, J., Dangott, B., Villegas, D. M., Nassar, A., & Akkus, Z. (2023). Classification of fungal genera from microscopic images using artificial intelligence. Journal of Pathology Informatics.
• Rasheed, A., Umar, A. I., Shirazi, S. H., Khan, Z., Nawaz, S., & Shahzad, M. (2022). Automatic eczema classification in clinical images based on hybrid deep neural network. Computers in Biology and Medicine, s. 147.
• Tamer, E., Ilhan, M. N., Polat, M., Lenk, N., & Alli, N. (2008). Prevalence of skin diseases among pediatric patients in Turkey. The Journal of dermatology, s. 413-418.