Bilgisayarlı tomografi (BT) görüntülerinden akciğer kanser hücrelerinin yapay zeka teknikleri ile bulunması

Akciğer kanseri, dünya genelinde yüksek ölüm oranlarına sahip ölümcül bir hastalık olarak öne çıkmaktadır. Erken teşhis, hastalığın etkili bir şekilde tedavi edilebilmesi açısından kritik bir öneme sahiptir. Bu çalışma, akciğer kanserinin erken teşhisinde yapay zekâ tekniklerinin rolünü incelemekte ve sağladığı avantajları vurgulamaktadır. Bu bağlamda, yapay zekâ destekli teşhis sistemlerinin, radyologların iş yükünü azaltarak doğruluk oranlarını artırma potansiyeli, akciğer kanseri teşhisindeki yöntemleri önemli ölçüde iyileştirebileceği öngörülmektedir. Bu çalışmada, Evrişimli Sinir Ağları (CNN) ve YOLO algoritması kullanılarak gerçekleştirilen akciğer kanseri teşhisinde elde edilen sonuçlar değerlendirilmiştir. Hem CNN hem de YOLO modelinin medikal görüntüler üzerindeki başarısı, 6 farklı veri seti üzerinden karşılaştırılarak analiz edilmiştir. Tüm veri setleri arasında, CNN modeli için en yüksek F1-Skoru %99,85 ile histogram eşitleme ve kontrast sınırlı uyarlanabilir histogram eşitlemesi yapılan veri seti üzerinde elde edilmiştir. YOLO modeli için ise yine aynı ön işleme tekniği uygulanan veri setinde en yüksek F1-Skoru %96 olarak elde edilmiştir.

Lung cancer stands out as a deadly disease with high mortality rates worldwide. Early diagnosis is critical for effective treatment of the disease. This study investigates the role of artificial intelligence techniques in early diagnosis of lung cancer and highlights the advantages they provide. In this context, it is predicted that AI-assisted diagnostic systems can significantly improve the methods in lung cancer diagnosis by reducing the workload of radiologists and increasing accuracy rates. In this study, results obtained in lung cancer diagnosis using Convolutional Neural Networks (CNN) and YOLO algorithm have been evaluated. The success of both CNN and YOLO model on medical images was compared and analyzed over 6 different datasets. Among all datasets, the highest F1-Score for the CNN model was obtained on the dataset that was subjected to histogram equalization and contrast limited adaptive histogram equalization (CLAHE) with 99.85%. For the YOLO model, the highest F1-Score was obtained at 96% on the dataset where the same preprocessing technique was applied.