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.
kapsamında lisanslanmıştır.