Medical Informatics III
Comparison of Different Artificial Intelligence Models for The Detection of Pneumonia
Mustafa Furkan Aksu, Muhammed Çağrı Aksu, Ersin KaramanAccurate diagnosis of pneumonia, which is a very deadly disease, is vital. In recent years, a lot of work has been done on the diagnosis of pneumonia with artificial intelligence methods, since it reduces the need for specialists and enables the diagnosis of the disease to be made faster and easier. Pneumonia diagnosis made by artificial intelligence methods is usually performed by teaching the disease-free and non disease-free lung x-ray images to the artificial intelligence model and the trained model making a prediction for the diagnosis of the disease with a certain degree of accuracy. The diagnosis can be made with a certain degree of accuracy, since the diagnosis process performed with the artificial intelligence method is actually an estimation process. Therefore, it is important to compare different artificial intelligence models for the diagnosis of pneumonia and to determine models that have higher accuracy. For this reason, in this study, various artificial intelligence models were created in order to contribute to the diagnosis of pneumonia disease with artificial intelligence methods more accurately and faster, and the estimation accuracy of these models for the diagnosis of pneumonia was compared. To create artificial intelligence models, chest X-ray images in the dataset named “Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification” created by Kermany, Zhang and Goldbaum (2018) were used. There are 5856 x-ray images in the data set. Of these images, 4273 are of people with pneumonia, and 1583 are of people without the disease. This imbalance between the classes of the data set causes artificial intelligence models to over-learn a particular class. For this reason, study was carry out with an equal number of samples were taken from each class a total of 3160 x-ray images. The artificial intelligence models created for the study were created by retraining the ResNet152V2, VGG16, VGG19, DenseNet201 and Xception convolutional neural networks under the same conditions with the transfer learning technique, in accordance with this study. Accuracy, f1-score, precision and loss performance metrics of the created artificial intelligence models were obtained and the models were compared using these metrics. As a result of the comparison, the most successful classification result was achieved with the artificial intelligence model created with the DenseNet201 network with an accuracy value of 96%. As a result, it is expected that the artificial intelligence models created as a result of this experimental study, in which different artificial intelligence models for the diagnosis of pneumonia are compared, will provide decision support in the diagnosis of pneumonia made by specialist physicians and the results obtained will contribute to the relevant literature.
Zatürre Hastalığının Teşhisine Yönelik Farklı Yapay Zekâ Modellerinin Karşılaştırılması
Mustafa Furkan Aksu, Muhammed Çağrı Aksu, Ersin KaramanOldukça ölümcül bir hastalık olan zatürrenin doğru bir şekilde teşhis edilmesi hayati önem taşımaktadır. Uzman gerekliliğini azaltması, hastalığın teşhisinin daha hızlı ve kolay yapılabilmesini sağlaması nedeniyle son yıllarda zatürre hastalığının yapay zekâ yöntemleriyle teşhis edilmesine yönelik çokça çalışma yapılmaktadır. Yapay zekâ yöntemleriyle gerçekleştirilen zatürre teşhisi genellikle hastalık barındıran ve barındırmayan akciğer röntgen görüntülerinin yapay zekâ modeline öğretilmesi ve eğitilmiş modelin belirli bir doğruluk derecesinde hastalık teşhisine yönelik tahmin yapmasıyla gerçekleştirilmektedir. Yapay zekâ yöntemiyle gerçekleştirilen teşhis işlemi aslında bir tahmin işlemi olduğu için teşhis, belirli bir doğruluk derecesinde yapılabilmektedir. Dolayısıyla zatürre teşhisine yönelik gerçekleştirilen farklı yapay zekâ modellerinin karşılaştırılması ve doğruluğu daha yüksek olan modellerin tespit edilmesi önem arz etmektedir. Bu nedenle bu çalışmada, zatürre hastalığının teşhisinin, yapay zekâ yöntemleri ile daha doğru ve daha hızlı yapılmasına katkı sağlamak amacıyla çeşitli yapay zekâ modelleri oluşturulmuş ve bu modellerin zatürre teşhisine yönelik tahmin doğrulukları karşılaştırılmıştır. Yapay zekâ modelleri oluşturmak için Kermany, Zhang ve Goldbaum (2018) tarafından oluşturulan “Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification” isimli veri setindeki göğüs röntgeni görüntüleri kullanılmıştır. Veri setinde 5856 röntgen görüntüsü bulunmaktadır. Bu görüntülerin 4273’ü zatürre hastalığına sahip insanlara, 1583’ü ise hastalıksız insanlara aittir. Veri setinin sınıfları arasındaki bu dengesizlik yapay zekâ modellerinin belirli bir sınıfı aşırı öğrenmesine neden olmaktadır. Bu nedenle her sınıftan eşit sayıda örnek alınarak toplamda 3160 röntgen görüntüsü ile çalışma gerçekleştirilmiştir. Çalışma için oluşturulan yapay zekâ modelleri, ResNet152V2, VGG16, VGG19, DenseNet201 ve Xception evrişimsel sinir ağlarının bu çalışmaya uygun olarak aynı koşullar altında transfer öğrenme tekniğiyle yeniden eğitilmeleriyle oluşturulmuştur. Oluşturulan yapay zekâ modellerinin doğruluk, f1-skoru, kesinlik ve kayıp performans metrikleri elde edilmiş ve bu metrikler kullanılarak modeller karşılaştırılmıştır. Karşılaştırma neticesinde en başarılı sınıflandırma sonucuna %96’lık doğruluk değeriyle DenseNet201 ağıyla oluşturulan yapay zekâ modeliyle ulaşılmıştır. Sonuç olarak, zatürre hastalığının teşhisine yönelik farklı yapay zekâ modellerinin karşılaştırıldığı bu deneysel çalışma neticesinde oluşturulan yapay zekâ modellerinin, uzman hekimlerce yapılan zatürre teşhislerinde karar desteği sağlaması ve elde edilen sonuçların ilgili literatüre katkı sunması beklenmektedir.
