Sıtma Tanısı İçin Derin Öğrenme Yaklaşımları: Kan Sürüntüsü Analizinde Özel CNN ve Transfer Öğrenme Modellerinin Karşılaştırmalı Çalışması

Özet

Tek hücreli parazitlerin Plasmodium cinsi, sıtmanın nedenidir. Bu parazitler, enfekte olmuş Anopheles sivrisineklerinin ısırmasıyla insanlara bulaşır. Özellikle sağlık sistemlerini ve ekonomiyi ciddi şekilde zorlayan Sahra altı Afrika'da, bu hastalık önemli bir halk sağlığı sorunu olmaya devam etmektedir. Sıtmayı kontrol altına almak ve nihayetinde ortadan kaldırmak için etkili tanı ve tedavi çok önemlidir. Kan yaymalarının mikroskobik analizi, sıtmayı teşhis etmek için geleneksel ancak emek yoğun bir yöntemdir ve kapsamlı uzmanlık gerektirir. Derin öğrenme yoluyla otomatik tespit, özellikle Sahra altı Afrika için hayati bir alternatif sunmaktadır. Bu çalışma, sıtma tespiti için segmentlere ayrılmış kırmızı kan hücresi görüntülerini sınıflandırmada, özel olarak tasarlanmış bir Convolutional Neural Network (CNN) ile beş gelişmiş transfer öğrenme modeli olan ResNet50, VGG19, InceptionV3, EfficientNet-B3, EfficientNet-B7 ve YOLOv11m'nin performansını titizlikle karşılaştırmayı amaçlamaktadır. Yaklaşımımız, kapsamlı görüntü ön işleme, veri artırma ve çeşitli modellerin uygulanmasını içermektedir. Modeller, F1 Skoru, Doğruluk, Hassasiyet, Geri Çağırma, Matthews Korelasyon Katsayısı (MCC), AUC ROC ve AUC PR gibi çeşitli metriklere dayalı olarak Ulusal Tıp Kütüphanesi veri seti kullanılarak değerlendirildi. EfficientNet-B3 modeli, %98,12'lik etkileyici bir F1 Skoru, %98,08'lik Doğruluk ve %96,15'lik MCC ile özel CNN'yi bile geride bırakarak en iyi performans gösteren model olarak öne çıktı ve üstün tahmin gücü ve güvenilirliğini kanıtladı. YOLOv11m de %96,89 F1 Skoru, %96,93 Doğruluk ve %93,91 MCC ile güçlü bir performans sergiledi ve gerçek zamanlı uygulamalar için verimliliğini vurguladı. Özel CNN, gelişmiş modelleri geride bırakmasa da, yine de övgüye değer bir performans sergiledi ve özel olarak tasarlanmış mimarilerin potansiyelini vurguladı. Bu çalışmanın sonuçları, derin öğrenme yöntemlerinin sıtma tanısının doğruluğunu artırma konusunda büyük potansiyele sahip olduğunu ve özellikle bu hastalıktan en ciddi şekilde etkilenen bölgelerde sağlık sistemlerine önemli faydalar sağladığını göstermektedir.