Yama testi sonuçlarının yapay zeka kullanılarak değerlendirilmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL BAŞAKŞEHİR ÇAM VE SAKURA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DERİ VE ZÜHREVİ HASTALIKLAR ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: DİLAYDA KAYAPINAR
Danışman: Zafer TÜRKOĞLU
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, Avrupa Standart Yama Testi Serisi görüntülerinin otomatik değerlendirilmesine yönelik YOLO tabanlı nesne tespiti ve CNN tabanlı sınıflandırma modellerini içeren iki aşamalı bir derin öğrenme pipeline'ı geliştirmek; geliştirilen modelin dermatolog konsensüsüyle uyumunu istatistiksel olarak değerlendirmektir. Gereç ve Yöntem: Başakşehir Çam ve Sakura Şehir Hastanesi Dermatoloji Kliniği'nde Ocak 2024 – Nisan 2026 tarihleri arasında 30 alerjenlik Avrupa Standart Yama Testi Serisi uygulanan 200 hasta retrospektif olarak değerlendirilmiştir. Görüntüler 48., 72. ve 96. saatlerde akıllı telefon kameraları ile elde edilmiştir. Üç aşamalı deneysel tasarımda; Senaryo 1'de tek geçişli (Yol A) YOLO mimarileri, Senaryo 2'de iki aşamalı patch düzeyi, Senaryo 3'te iç bölge düzeyi pipeline değerlendirilmiştir. Toplam 13 farklı model karşılaştırılmıştır. Model performansı, üç bağımsız dermatologun konsensüs değerlendirmesiyle Cohen's Kappa ve Wilcoxon işaretli sıra testi kullanılarak analiz edilmiştir. Bulgular: Senaryo 1'de YOLOv10n 0,8832 mAP@0.5 ve 0,8370 makro F1 skoru elde ederek en yüksek performansı sergilemiştir. Senaryo 2'de YOLOv11s 0,9939 mAP@0.5 ile en yüksek patch tespit hassasiyetine, EfficientNet-B0 ise 0,831 makro F1 skoru ile en iyi sınıflandırma performansına ulaşmıştır. Klinik doğrulama analizinde (n = 1.161, 40 hasta, 30 alerjen), yapay zekâ modelinin dermatolog konsensüsüyle kuadratik ağırlıklı Cohen's Kappa değeri κ = 0,946 (%95 GA: 0,901–0,978) olarak hesaplanmıştır. Tüm 30 alerjende κ ≥ 0,80 eşiği korunmuştur. Modelin makro F1 skoru 0,957, genel doğruluğu ise %98,97 olarak belirlenmiştir. Sonuç: Geliştirilen iki aşamalı yapay zekâ pipeline'ı, yama testi görüntülerinin değerlendirilmesinde dermatolog konsensüsüyle mükemmel düzeyde uyum sergilemiştir. CNN tabanlı mimariler (EfficientNet, ResNet) transformer tabanlı mimarilere kıyasla tutarlı biçimde üstün performans göstermiştir. Standart akıllı telefon görüntülerinin kullanılması, sistemin günlük klinik pratiğe ve teledermatoloji uygulamalarına entegrasyon potansiyelini desteklemektedir.