Yayımlanmış Araştırma
Göğüs BT ile Akciğer Kanseri Sınıflandırması
ResNet-50 öznitelikleri üzerinde hangi sınıflandırıcı kazanıyor? Ölçülmüş bir karşılaştırma
En İyi Bildiri
Ödül
Fen Bilimleri kategorisi, KOUBAK'26
%89,5
En yüksek doğruluk
XGBoost, ayrılmış test kümesi
4
Karşılaştırılan model
Genel Bakış
Akciğer kanseri, onkolojik hastalıklar arasında en yüksek mortaliteye sahip olanlardan biri ve tedavi kararı “var/yok” cevabından fazlasına bağlı: adenokarsinom, skuamöz hücreli karsinom ve büyük hücreli karsinomu birbirinden ayırmak sonraki adımı doğrudan değiştiriyor. Bu çalışma daha dar ve daha yanıtlanabilir bir soru soruyor: bir BT görüntüsünden derin öznitelikler çıkardıktan sonra, üzerine hangi sınıflandırıcıyı koymalı?
Kocaeli Üniversitesi 1. Bilimsel Araştırmalar Öğrenci Kongresi (KOUBAK’26) bildiri kitapçığında yayımlandı ve Fen Bilimleri kategorisinde En İyi Bildiri ödülünü kazandı.
Yaklaşım
Ağı uçtan uca ince ayar yapmak yerine, işlem hattı problemi ikiye bölüyor. Önceden eğitilmiş bir ResNet-50 yalnızca öznitelik çıkarıcı olarak çalışıyor ve her BT kesitini yüksek boyutlu bir öznitelik vektörüne dönüştürüyor. Bu vektörler daha sonra dört denetimli öğrenme yöntemiyle — SVM, KNN, Random Forest ve XGBoost — aynı girdiler üzerinde eğitilip değerlendiriliyor.
Bu ayrım işin can alıcı noktası. Temsili sabit tutmak, sonuçlardaki her farkın görüntülerin nasıl kodlandığından değil sınıflandırıcıdan kaynaklandığı anlamına geliyor; karşılaştırmayı adil kılan da bu.
Veriler Kaggle Chest CT-Scan images veri kümesinden alındı.
Sonuçlar
| Sınıflandırıcı | Doğruluk |
|---|---|
| XGBoost | %89,5 |
| SVM | %74,6 |
| Random Forest | %67,6 |
XGBoost hem en doğru hem de çalışmalar arasında en kararlı model oldu. k=1
ile KNN diğer güçlü performansı gösterdi.
Manşet rakamdan daha önemli iki bulgu var:
Tüm modeller “Normal” sınıfında %98’in üzerinde hassasiyet gösterdi. Sağlıklı ile hastalıklıyı ayırmak bu veri kümesinde neredeyse çözülmüş durumda — yani doğruluk oranını büyük ölçüde kolay durum taşıyor ve tek başına bu sayıyı bildirmek sistemin ne kadar işe yaradığını olduğundan iyi gösterir.
Asıl zorluk adenokarsinom ile skuamöz hücreli karsinom arasında. Karmaşıklık matrisleri hatalarını görünüm olarak gerçekten benzeyen bu iki alt tür arasında yoğunlaştırıyor. Klinik olarak kullanışlı bir sistemin iyileşmesi gereken yer, genel doğruluk değil, tam olarak burası.
Neyi farklı yapardım
“Normal” sınıfındaki %98 ile adeno/skuamöz karışıklığı arasındaki fark, dondurulmuş ResNet-50 özniteliklerinin “lezyon var mı” sorusunda iyi, alt türler arasındaki ince doku ayrımlarında ise zayıf olduğuna işaret ediyor. Omurgayı hazır kullanmak yerine bu veri kümesinde ince ayar yapmak bariz bir sonraki deney — genel doğruluk yerine sınıf bazında F1 bildirmek de öyle, çünkü bu problemde ortalama tam da önemli olan kısmı gizliyor.