Use of artificial intelligence applications in the health sector: Preliminary diagnosis with deep learning method

Öz

Aim: In today's world, known as the Information Age, digitization has gained a significant place in every sector, including the healthcare industry. Particularly, artificial intelligence technologies have an enormous transformative effect on the healthcare sector. Beyond enabling diagnosis and identification, artificial intelligence, which is expected to serve as an alternative to the qualified human workforce in the field, is addressed in this research from the perspective of its subcategories, namely deep learning networks. The aim of this study is to determine the success level of artificial intelligence in disease diagnosis within the context of deep learning networks, specifically ResNet101 and GoogLeNet. Method: In line with the research objective, a dataset consisting of a total of 2124 MRI images, encompassing brain tumor types such as Glioma, Meningioma, and Pituitary, was obtained from the openly accessible Kaggle website. The success levels of the deep learning networks used in the research for image segmentation and identification were compared using a training-test split of 70- 30%. Findings: The analysis findings revealed the success of the deep learning networks in distinguishing and identifying three different brain tumor diseases. Upon examining the success rates of these networks, it was determined that the ResNet101 deep learning network achieved a success rate of 91.5%, while the GoogLeNet deep learning network achieved a success rate of 87.9%. Results: The findings of the study indicate that both ResNet101 and GoogLeNet deep learning networks are applicable foridentifying and distinguishing types of brain tumors. Specifically, ResNet101 achieved a higher success rate within the scope of thisresearch. Additionally, the study highlights the significant potential of artificial intelligence technologies in the healthcare sector.

Anahtar Kelimeler

• Artificial Intelligence
• Deep Learning
• Healthcare Industry
• Disease Diagnosis

Yapay zeka uygulamalarının sağlık sektöründe kullanımı: Derin öğrenme yöntemiyle ön tanı

Öz

Amaç: Bilgi çağı olarak adlandırılan günümüz dünyasında dijitalleşme her sektörde olduğu gibi sağlık sektöründe de kendisine önemli bir yer edinmiştir. Özellikle yapay zekâ teknolojilerinin sağlık sektörü üzerinde muazzam denilebilecek bir değişim etkisi sözkonusudur. Tanı ve teşhis yapabilmenin yanı sıra, sektörde yer alan nitelikli insan kaynağına alternatif olabilmesi beklenen yapay zekâ, bu araştırma da alt kümeleri olan derin öğrenme ağları perspektifinden ele alınmıştır. Çalışmada derin öğrenme ağlarından olan ResNet101 ve GoogLeNet bağlamında yapay zekânın hastalık teşhisindeki başarı düzeyinin belirlenmesi amaçlanmaktadır. Yöntem: Araştırma amacı doğrultusunda açık erişimli Kaggle web sitesinden beyin tümörü türlerinden olan Glioma, Meningioma ve Pituitary içeren toplamda 2124 adet MR görüntü veri seti elde edilmiş, bu verilerle %70 eğitim, %30 test oranı ile araştırmada kullanılan derin öğrenme ağlarının, görüntü ayrıştırma ve tanımlama başarı düzeyleri karşılaştırılmıştır. Bulgular: Analiz bulguları derin öğrenme ağlarının üç farklı beyin tümörü hastalığını ayrıştırma ve tanımlama noktasında başarılı olduğunu göstermiştir. Derin öğrenme ağlarının başarı düzeyleri incelendiğinde ResNet101 derin öğrenme ağının %91.5, GoogLeNet derin öğrenme ağının ise %87.9 başarı düzeyine sahip olduğu tespit edilmiştir. Sonuç: Araştırmanın bulguları doğrultusunda ResNet101 ve GoogLeNet derin öğrenme ağlarının beyin tümörü türlerini tanımlama ve ayrıştırma noktasında kullanılabilir olduğu, ResNet101 derin öğrenme ağının araştırma özelinde daha yüksek başarı oranı kaydettiği ve son olarak yapay zekâ teknolojilerinin sağlık sektöründe önemli bir yer edinme potansiyelinin olduğu tespit edilmiştir.

Anahtar Kelimeler

• Yapay Zekâ
• Derin Öğrenme
• Sağlık Sektörü
• Hastalık Teşhisi
• yönetim bilişim

Kaynakça

1. Afshar, P., Plataniotis, K. N. ve Mohammadi, A. (2019). Capsule networks for brain tumor classification based on MRI images and coarse tumor boundaries. In ICASSP 2019-2019 IEEE international conference on acoustics, speech and signal processing (ICASSP), 1368-1372.
2. Amin, S. E. ve Megeed, M. A. (2012). Brain tumor diagnosis systems based on artificial neural networks and segmentation using MRI. In 2012 8th International Conference on Informatics and Systems (INFOS), 102-119.
3. Chan, T. H., Jia, K., Gao, S., Lu, J., Zeng, Z. ve Ma, Y. (2015). PCANet: A simple deep learning baseline for image classification?. IEEE transactions on image processing, 24(12), 5017-5032.
4. Goswami, S. ve Bhaiya, L. K. P. (2013). Brain tumour detection using unsupervised learning based neural network. In 2013 International Conference on Communication Systems and Network Technologies, 573-577.
5. Shrutika, S., Akshata, R. ve Swati, K. (2017). Implementation of image processing for detection of brain tumors. In International Conference on Intelligent Computing and Control Systems.
6. Jmour, N., Zayen, S. ve Abdelkrim, A. (2018, March). Convolutional neural networks for image classification. In 2018 international conference on advanced systems and electric technologies (IC_ASET), 397-402.
7. Kaplan, H. I. ve Sadock, B. J. (2003). Brain Tumors. In: Synopsis of Psychiatry, Robert Cancro, James Emondson (editors). Ninth eds., Baltimore: Williams & Wilkins, 260-261.
8. Kaur, R. ve Doegar, A. (2019). Localization and classification of brain tumor using machine learning & deep learning techniques. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 8(9), 2278-3075.

9. Litjens, G., Kooi, T., Bejnordi, B. -E., Adiyoso Setio, A. A., Ciompi, F., Ghafoorian, M., Laak, J.-A. W. M., Ginneken, B. ve Sanchez, C. I. A. (2017). Survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88.
10. Ouyang, W., Wang, X., Zeng, X., Qiu, S., Luo, P., Tian, Y., ... ve Tang, X. (2015). Deepid-net: Deformable deep convolutional neural networks for object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition. 2403-2412. Rish, I. (2001). An empirical study of the naive Bayes classifier. In IJCAI 2001 workshop on empirical methods in artificial intelligence, 3(22), 41-46.
11. Reynolds, D. A. (2009). Gaussian mixture models. Encyclopedia of Biometrics, 741, 659-663. Sun, W., Zheng, B. ve Qian, W. (2017). Automatic feature learning using multichannel ROI based on deep structured algorithms for computerized lung cancer diagnosis. Computers in Biology & Medicine, 89, 530-539.
12. Tiwari, A., Srivastava, S. ve Pant, M. (2020). Brain tumor segmentation and classification from magneticresonance images: Review of selected methods from 2014 to 2019. Pattern Recognition Letters, 131, 244- 260.
13. Urban, G., Bendszus, M., Hamprecht, F. ve Kleesiek, J. (2014). Multi-modal brain tumor segmentation using deep convolutional neural networks. MICCAI BraTS (brain tumor segmentation) challenge. Proceedings, winning contribution, 31-35.
14. Vieira, S., Pinaya, W. H. L. ve Mechelli, A. (2017). Using deep learning to investigate the neuroimaging correlates of psychiatric and neurological disorders: Methods and applications, Neuroscience and Biobehavioral Reviews, 74, 58-75.
15. World Health Organization—Cancer. Available online: https://www.who.int/news-room/fact-sheets/detail/ cancer. (Erişim Tarihi: 10.09.2023).
16. Yardimci, A. (2009). Applications of soft computing to medical problems. In 2009 Ninth International Conference on Intelligent Systems Design and Applications, 614-619.