Kolonoskopi Görüntülerinde Derin Öğrenme Kullanarak Kolon Polipi Tespiti: Metodolojik Çalışma

SONUVAR E. T., SONUVAR A., Aydemir N. G., Adanir H.

Türkiye Klinikleri Sağlık Bilimleri Dergisi, cilt.11, sa.1, ss.305-312, 2026 (TRDizin)

Özet

Amaç: Bu çalışma, kolonoskopi görüntülerinde otomatik polip tespiti için “You Only Look Once (YOLO)” ailesi [v5, v8, v9, “Neural Architecture Search (NAS)”] ve Roboflow 3.0 gibi derin öğrenme mo dellerini karşılaştırmaktadır. Amaç, kolorektal kanser önlemede kritik olan erken teşhisi iyileştirmek için bu modellerin doğruluk ve verimli liğini gerçek zamanlı klinik uygulama açısından değerlendirmektir. Gereç ve Yöntemler: Yüz doksan altı hastadan alınan, 478 doğrulan mış polip içeren 342 görüntü retrospektif olarak analiz edildi. Uzman gastroenterologlar tarafından etiketlenen veri seti, kapsamlı ön işleme ve veri artırma adımlarının ardından eğitim (%88), doğrulama (%8) ve test (%4) setlerine ayrılmıştır. Modellerin performansı; duyarlılık, ke sinlik ve ortalama kesinlik (mean average precision, mAP) ölçütleri kullanılarak değerlendirilmiştir. Bulgular: Roboflow 3.0 modeli en yüksek duyarlılık (%86,5), kesinlik (%91,4) ve mAP (%92,3) ile üstün performans gösterdi. En hızlı eğitilen olmasına rağmen YOLOv5, daha düşük doğruluk (%80,1 duyarlılık, %58,4 kesinlik) sergiledi. YOLO NAS ise hız ve doğruluk arasında dengeli bir profil sunarak (%65,6 du yarlılık, %73,4 kesinlik), zamana duyarlı ortamlar için pratik bir seçenek olduğunu kanıtladı. Sonuç: Bu çalışma, modern derin öğrenme modellerinin, özellikle Roboflow 3.0’ın, otomatik polip tespitindeki et kinliğini doğrular. Sonuçlar, endoskopistlere yardımcı olmak, gözden kaçırma oranlarını azaltmak ve erken tanıyı geliştirmek için klinik en tegrasyonu destekler. Gelecekteki çalışmalar, modelleri daha büyük, çeşitli veri setlerinde doğrulamalı ve yaygın klinik benimseme için sağ lamlığı artıracak gelişmiş artırma tekniklerini keşfetmelidir.
Objective: This study compares deep learning models, including the You Only Look Once (YOLO) family [v5, v8, v9, Neu ral Architecture Search (NAS)] and Roboflow 3.0, for automated polyp detection in colonoscopy images. We evaluate their accuracy and effi ciency for real-time clinical application to improve early detection, a critical step in colorectal cancer prevention. Material and Methods: We retrospectively analyzed 342 images with 478 histopathologically confirmed polyps from 196 patients. After labeling by expert gas troenterologists, the dataset underwent extensive preprocessing and augmentation before being split into training (88%), validation (8%), and testing (4%) sets. Model performance was evaluated using recall, precision, and mean average precision (mAP). Results: The Roboflow 3.0 model demonstrated superior performance, achieving the highest recall (86.5%), precision (91.4%), and mAP (92.3%). In contrast, YOLOv5, despite being the fastest to train, yielded lower accuracy (80.1% recall, 58.4% precision). YOLO-NAS presented a balanced trade-off between speed and accuracy (65.6% recall, 73.4% precision), making it a practical choice for time-sensitive settings. Conclusion: This study validates the efficacy of modern deep learning models, par ticularly Roboflow 3.0, for automated polyp detection. The results sup port clinical integration to assist endoscopists, reduce miss rates, and enhance early diagnosis. Future research should validate these models on larger, diverse datasets and explore advanced data augmentation to improve robustness for widespread clinical adoption.