Meme kanserinde aksiller lenf nodu metastazı tespitinde ultrasonografi görüntüleri üzerinden yapay zekâ modeli geliştirilmesi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: SERKAN PAKER

Danışman: SÜLEYMAN BİLGİN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Meme kanseri, kadınlar arasında küresel ölçekte en sık tanılanan malignite olup GLOBOCAN 2022 verilerine göre yıllık yaklaşık 2,3 milyon yeni vaka ve 670 bin ölüm belgelenmiştir. Aksiller lenf nodu metastazı (ALNM), adjuvan kemoterapi ve cerrahi yaklaşımın belirlenmesinde kritik bir faktördür; mevcut preoperatif değerlendirme yöntemi olan sentinel lenf nodu biyopsisi ise invazif niteliği ve %4,6–16,7 arasında değişen komplikasyon oranıyla klinisyenleri preoperatif noninvazif alternatiflere yöneltmektedir. Bu çalışmada, preoperatif ultrasonografi görüntülerinden ALNM tespitine yönelik bir yapay zekâ işlem hattı geliştirilmiştir. Çalışmanın toplam kapsamını 221 hastaya ait 391 orijinal ultrason görüntüsü oluşturmaktadır; bunların 111 hastadan elde edilen 145'i manuel korteks ve hilus anatomik işaretlemesine sahip olup segmentasyon eğitimi ve değerlendirmesinde kullanılmıştır. Cihaz işaretlerinin (ölçüm işaretleri, cihaz bilgileri gibi görüntü artefaktlarının) sistematik biçimde giderilmesi amacıyla LaMa tabanlı görüntü temizleme uygulanmıştır. Eğitim kümesini güçlendirmek için üretilen 246 LaMa görüntüsü yalnızca ilgili katlama eğitim kümesine dahil edilmiş, değerlendirme tarafına hiçbir LaMa görüntüsü alınmamıştır. Tüm sınıflandırma ve segmentasyon başarımları, hasta izolasyonlu beş katlı çapraz doğrulama (cross-validation) ile elde edilen havuzlanmış katlamadışı (pooled out-of-fold) tahminler üzerinden hesaplanmıştır. Korteks ve hilus bölgelerinin piksel düzeyinde ayrıştırılması için dikkat tabanlı U-Net mimarisi kullanılmıştır. Sınıflandırmada dört transfer öğrenme modeli (ResNet18, EfficientNet-B0, MobileNetV2, ConvNeXt-Tiny) ile beş klasik makine öğrenmesi modeli (XGBoost, LightGBM, Rastgele Orman, Lojistik Regresyon ve yumuşak oylama topluluğu) değerlendirilmiştir. Farklı temsil türlerinin katkısını birleştirmek amacıyla eşit ağırlıklı olasılık ortalaması ve çapraz uydurmalı istifleme (cross-fitted stacking) füzyon stratejileri uygulanmıştır. Katlamadışı değerlendirmede AttentionUNet segmentasyon modeli korteks Dice 0,763, hilus Dice 0,656 ve ortalama ön plan Dice 0,710 elde etmiştir. Bireysel derin öğrenme modellerinde en yüksek görüntü düzeyi katlamadışı AUC değeri EfficientNet-B0 ile 0,784 olarak ölçülmüştür. Klasik makine öğrenmesi modelleri arasında en iyi sonucu XGBoost (AUC 0,675) vermiştir. Çapraz uydurmalı istifleme füzyonu (EfficientNet-B0 + XGBoost) görüntü düzeyinde 0,792 katlamadışı AUC sağlarken eşit ağırlıklı olasılık ortalaması hasta düzeyinde 0,806 AUC ile en yüksek hasta düzeyi ayrımını elde etmiştir. SHAP ve Grad-CAM açıklanabilirlik analizleri ile kalibrasyon tanılaması gerçekleştirilmiştir. Çalışmada dış doğrulama yapılmamış olup raporlanan sonuçlar iç hasta izolasyonlu katlamadışı performansı temsil etmektedir.