Tıbbi cihaz envanter doğrulamasında yapay zeka tabanlı sınıflandırma uygulaması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, HAMİDİYE SAĞLIK BİLİMLERİ ENSTİTÜSÜ, SAĞLIK BİLİŞİMİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: BÜŞRA ÇELİK SARIYERLİOĞLU

Danışman: Nedim MUZOĞLU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışmada, tıbbi cihazların sınıflandırılmasına yönelik yapay zekâ tabanlı bir model geliştirilmiştir. Beş farklı türdeki tıbbi cihazlara ait görüntülerden öznitelik çıkarımı için VGG16 ve ResNet-50 gibi derin öğrenme modelleri kullanılmıştır. Sınıflandırmada ise Destek Vektör Makineleri (SVM) ve K En Yakın Komşu (KNN) gibi makine öğrenmesi algoritmalarına başvurulmuştur. Ayrıca öznitelik birleştirme ve seçme yöntemleri uygulanarak modelin doğruluk, duyarlılık ve kesinlik gibi performans ölçütleri değerlendirilmiştir. Çalışma, tıbbi cihaz envanter yönetiminde yapay zekâ tabanlı çözümlerin yaygınlaştırılmasını amaçlamaktadır. Çalışmada, Kaggle platformundan temin edilen 'Medikal Cihaz 5' görüntü veri seti kullanılmıştır. Veri seti; anestezi cihazı, ventilatör, EKG, hasta başı monitörü ve fetal monitöre ait görüntüleri içermektedir. Veri kümesi eğitim, doğrulama ve test alt gruplarına ayrılmıştır. Eğitim setinde görüntü artırma yöntemiyle veri dengesizliği giderilmiştir. Bu sayede aşırı uydurma sorununun önüne geçilmiştir. Öznitelik çıkarımı için VGG16 ve ResNet-50 modellerinden yararlanılmıştır. Ardından fMRMR yöntemiyle en anlamlı 100, 200 ve 300 öznitelik seçilmiştir. VGG16 ve ResNet-50 özniteliklerinin birleştirilmesiyle %94,7 doğruluk elde edilmiştir. 200 öznitelik ile SVM algoritması %96,29, KNN ise %93,65 doğruluk sağlamıştır. SVM, tüm denemelerde KNN'ye göre daha yüksek performans göstermiştir. Bu çalışma, tıbbi cihazların sınıflandırılmasında yapay zekâ temelli yaklaşımların etkili olduğunu göstermiştir. Farklı derin öğrenme modellerinden elde edilen özniteliklerin birleştirilerek geleneksel makine öğrenmesi algoritmalarıyla entegre edilmesi, sınıflandırma performansını artırmıştır. Elde edilen model, doğru ve hızlı envanter yapılanmasına katkı sağlayarak sağlık kuruluşlarında yapay zekâ tabanlı sistemlerin uygulanabilirliğine yönelik önemli bir adım sunmaktadır.