Çalışma Tasarımı ve Veri Toplama
- Etik Onay: Çalışma protokolü, Marmara Üniversitesi Tıp Fakültesi Non-İntervansiyonel Klinik Araştırmalar Etik Kurulu tarafından onaylanmıştır.
- Veri Toplama: Sağlıklı ve oral liken planus lezyonları olan yanak mukozası fotoğrafik görüntüleri CranioCatch programı kullanılarak toplanmıştır.
- Veri Seti Bölünmesi: Veri seti, hem sağlıklı mukozalar hem de oral liken planus lezyonlarına sahip mukozalar için eğitim, doğrulama ve test setlerine ayrılmıştır.
Hastalık Özelliklerinin Tanımlanması
- Oral Liken Planus: Kliniğe özgü bulgular arasında retiküler beyaz plaklar, mukozal eritem, erozyonlar, ülserasyonlar ve hiperkeratotik plaklar bulunmaktadır.
Derin Konvolüsyonel Sinir Ağı Mimarisi
- Mimari Seçimi: Derin öğrenme süreci, Tensorflow kütüphanesi ile uygulanan GoogleNet Inception V3 mimarisi kullanılarak gerçekleştirilmiştir.
- Geliştirmeler: Filtre boyutları ve ızgara boyutları değiştirilerek görüntülerin işlenmesinde verimlilik artırılmıştır.
Derin Öğrenme Algoritmasının Sonuçları
- Doğruluk: Yapay zeka derin öğrenme modeli, sağlıklı ve hastalıklı mukozalar için test fotoğraflarının tamamını doğru şekilde sınıflandırmıştır.
- Başarı: Modelin normal yanak mukozası ile oral liken planus lezyonlarını ayırt etme doğruluğu %100 olarak belirlenmiştir.
Önem ve Gelecek İhtimalleri
- Yenilik: Çalışma, Türkiye’deki fotoğrafik görüntülerden oral liken planus lezyonlarının sınıflandırılması için yenilikçi bir derin öğrenme algoritması sunmuştur.
- Potansiyel: Bulgular, derin öğrenmenin oral liken planus'un doğru bir şekilde teşhis edilmesi konusundaki zorlukları ele alma potansiyeline sahip olduğunu göstermektedir.
- Gelecek Yönelimleri: Sağlık alanında gelecekteki yapay zeka gelişmelerinin, insan yararını birincil hedef olarak belirleyerek tanı yeteneklerini ve hasta sonuçlarını iyileştirmeye odaklanması gerektiği önerilmektedir.