Bu tədqiqat, beyin maqnit-rezonans görüntülərini qlioma, meningioma, hipofiz şişi və şiş olmayan görüntülər olmak üzere dört sinifa ayırmak üçün EfficientNetB0 tabanlı dərin öyrənmə və hibrid maşın öyrənməsi modellerini karşılaştırmıştır. Figshare, SARTAJ və BR35H açıq vəri mənbəlarından derlenen toplam 7.023 MRI görüntüsü istifadə edilmişdir. Tədqiqatçılar, btorımsız və incə tənzimləməlanmış EfficientNetB0 modelini; EfficientNetB0 ilə çıkarılan dərin xüsusiyyətleri Support Vector Machine, K-Nearest Neighbours, Random Forest və Multilayer Perceptron siniflandırıcılarına aktaran dört hibrid modelle karşılaştırmıştır.

Ana performans cədvəlsuna göre btorımsız EfficientNetB0 modeli %95 dəqiqlik, %98 həssaslıq və %99 spesifiklik elde etmiştir. En yüksək ümumi dəqiqlik, EfficientNetB0 xüsusiyyət çıxarıcısı ilə Support Vector Machine siniflandırıcısını birleştiren hibrid modelde görülmüş; bu model üçün %96 dəqiqlik, %98 həssaslıq və %99 spesifiklik bildirilmişdir. EfficientNetB0+MLP modeli %94, EfficientNetB0+KNN modeli %93 və EfficientNetB0+Random Forest modeli %88 dəqiqlik üretmiştir.

Sonuçlar, EfficientNetB0 tarafından öğrenilən görüntü xüsusiliklerinin SVM tarafından siniflandırılmasının btorımsız modele göre yaklaşık bir yüzde puanlık ümumi dəqiqlik artışı storlayabiləceğini göstərir. Bununla belə makaledeki ana performans cədvəlsu, sinif bazlı cədvəl və ölçeklenebilirlik cədvəlsu arasında birbiriyle uyuşmayan dəyərlər bulunmaktadır. Bundan əlavə vəri artırma sayıları, model bölünmeleri və işləmə sürelerinin hansı mərhələləri kapsadığı tam olaraq açıqlanmamışdır.

Tədqiqat klinik bir diaqnoz təcrübəi değildir. Kullanılan vərilər geriye dönük və açıq vəri kümelerinden alınmıştır; btorımsız xəstənelerden xarici validasiya, iləriye dönük klinik tədqiqat, radioloq müqayisəsı və ya real xəstə iş axınında qiymətləndirmə strukturlmamıştır. Model, şiş derecesini, xərçəng mərhələsini, molekulyar alt tipü, tedavi yanıtını və ya xəstənin prognozunu belirlememektedir. Yalnızca sunulan görüntüyü dört görüntü sinifından birine atamaktadır.

Türkiyə baxımından mümkün örütubəti

Tədqiqatda Türkiyədən xəstə, xəstəne və ya MRI cihazı vərisi kullanılmamıştır. Buna rtormen üsul; Türkiyədə radyoloji, neyrocərrahiyyə, neyro-onkologiya, biotibbi mühəndislik və səhiyyə informatikası alanlarında yürütülebiləcek bilgisayar destekli görüntü analizi tədqiqatları açısından uyarlanabilir bir örnek sunmaktadır. Özellikle dərin öyrənmə modelinin xüsusiyyət çıxarıcı, daha geleneksel bir algoritmanın isə son siniflandırıcı olaraq kullanılması; sınırlı hesablama altstruktursına sahip tədqiqat ortamları üçün incelenmeye dəyər bir tasarım yaklaşmaıdır.

Türkiyədə güvənilir istifadə üçün fərqli şehir və xəstənelerden, fərqli MRI cihazlarından və görüntüləmə protokollerinden alınan xəstə səviyyəsində vərilərle xarici validasiya strukturlması gerekir. Aynı xəstəya ait görüntülərin təlim və test kümelerine dtorılmasını maneəleyen xəstə bazlı bölünme uygulanmalı; model nəticələri uzman radioloq qiymətləndirməleriyle karşılaştırılmalı; yanlış neqativ və yanlış pozitiv nəticələrin klinik etkiləri ayrı ayrı incelenmelidir. Bu tədqiqat herhansı bir Türk xəstənesinde istifadəa hazır, ruhsatlandırılmış və ya klinik diaqnoznın yerini alabiləcek bir sistem sunmamaktadır.

Tədqiqatın temel zondlemi nədir?

Beyin şişlerinin MRI görüntülərinden dəyərlendirilmesi, görüntü xüsusiliklerinin birbirine benzeyebilmesi, şişlerin fərqli büyüklük və mövqelarda ortaya çıkması və görüntüləmə protokollerinin değişebilmesi niyəiyle zor bir təsnifat zondlemidir. Manuel qiymətləndirmə uzmanlık gerektirir və tədqiqatçılara göre yorumlayan kişilər arasında fərqlilıklara açıq ola bilər.

Tədqiqatnın amacı, önceden geniş bir doğal görüntü vəri dəsti üzerinde eğitilmiş EfficientNetB0 modelinin MRI görüntülərinden ayırt edici xüsusilikler öğrenip öğrerütubətediğini və bu xüsusiliklerin geleneksel maşın öyrənməsi siniflandırıcılarıyla birleştirilmesinin performansı artırıp artırmadığını qiymətləndirməktir.

Tədqiqatda iki temel yaklaşma müqayisə edilmişdir:

• Btorımsız dərin öyrənmə modeli: EfficientNetB0 görüntüyü baştan sona işleyerek birbaşa dört siniftan birini üretmektedir.
• Hibrit yaklaşma: EfficientNetB0 görüntüden derin bir xüsusilik vəktörü çıkarmakta, son təsnifat SVM, KNN, Random Forest və ya MLP ilə strukturlmaktadır.

Tədqiqatnın realte siniflandırdığı şey nədir?

Model dört görüntü etikaeti arasında ayırma yapmaktadır:

• Qlioma
• Meningioma
• Hipofiz şişi
• Tümör yok

Bu siniflar şişin mərhələsini və ya derecesini göstermemektedir. Veri kümesinde Evre I, Evre II, Evre III və ya Evre IV gibi xərçəng mərhələsi etikaetleri; aştorı və ya yüksək derece gibi histolojik dereceler; IDH, 1p/19q və ya MGMT gibi molekulyar xüsusilikler yoxdur. Buna görə tədqiqatın bazı bölümlerinde kullanılan “kanser mərhələlerinin siniflandırılması” ifadesi, açıqlanan vəri struktursıyla uyumlu değildir.

Model aynı zamanda görüntü üzerinde şişin sınırını çizmemekte, hacmini ölçmemekte və ya hansı piksel bölgesinin karar üzerinde etkili olduğunu göstermemektedir. Bu tədqiqat bir seqmentasiya tədqiqatsı değil, görüntü səviyyəinde təsnifat tədqiqatsıdır.

Veri kümesi necə oluşturulmuştur?

Toplam 7.023 MRI görüntüsü üç açıq mənbətan derlenmiştir:

• Figshare beyin şişi vəri dəsti
• SARTAJ Brain Tumor Classification MRI vəri dəsti
• BR35H Brain Tumor Detection vəri dəsti

“Tümör yok” sinifındaki görüntülər BR35H kayntorından alınmıştır. Tədqiqatçılar, SARTAJ vəri dəstindeki qlioma görüntülərinin siniflandırılmasında tutarsızlık belirlediklerini və bu görüntüləri Figshare kayntorındaki qlioma görüntüləriyle değiştirdiklerini bildirmiştir.

Sınıflar tamamen dmaneəi değildir; ancaq en küçük və en büyük sinif arasındaki fark 379 görüntüdür. Tədqiqat, təlim mərhələsında vəri artırma yoluyla sinifları dmaneəemeyi amaçlamıştır.

Veri ön işləmə adımları

Özgün görüntülər 512×512 piksel boyutundadır. Bütün görüntülər EfficientNetB0 modeline giriş amacıyla 299×299 piksele yeniden boyutlandırılmıştır. Ardından parlaklık və kontrast düzenlemeleri uygulanmış, piksel dəyərləri standartlaştırılmıştır.

Metinde normalizasyon işləməi, her görüntü kanalından ordiaqnozn çıkarılması və standart yayınmaya bölünmesi yoluyla ortası sıfır və standart yayınması bir olan bir dtorılım elde edilmesi şeklinde açıqlanmıştır.

Veri artırma işləməleri şunlardır:

• Yaklaşık −25° ilə +25° arasında rastgele döndürme
• Yatay çevirme
• Her görüntünün ek örnekler üretmek amacıyla artırılması

Tədqiqat bir yerde her görüntünün “iki kat” artırıldığını, Tablo 1’de isə her sinif üçün təlim hedefinin 3.000 görüntü olduğunu bildirmektedir. Dört sinifın her biri 3.000 görüntüye çıkarılmış olsaydı artırılmış təlim havuzunun toplamı 12.000 görüntü olurdu. Ancaq aynı cədvəlda toplam təlim kümesi 5.712 görüntü olaraq vərilmiştir. Hangi görüntülərin artırıldığı, artırılmış görüntülərin ne zaman oluşturulduğu və 3.000 sinif hedefi ilə 5.712 təlim görüntüsünün necə btordaştırıldığı açıqlanmamışdır.

Eğitim və test bölünmesi

Toplam 7.023 görüntünün 5.712’si təlim, 1.311’i test amacıyla ayrılmıştır. Bu dtorılım yaklaşık %81 təlim və %19 test nisbətına karşılık gelmektedir.

Hibrit modeller üçün ayrıca %80 təlim və validasiya, %20 test bölünmesi bildirilmektedir. Ancaq bu bölünmenin 5.712–1.311 ayırmaıyla aynı olup olmadığı, her modelde aynı rastgele örneklerin kullanılıp kullanılmadığı və ya ayrı test kümeleri oluşturulup oluşturulmadığı belirtilmemiştir.

Veri bölünmesinin xəstə səviyyəsində mi yoksa görüntü səviyyəinde mi strukturldığı da açıqlanmamaktadır. Aynı xəstəya ait birden fazla kesit və ya benzer görüntü bulunması hâlinde, xəstə bazlı olmayan bir bölünme təlim və test kümeleri arasında bilgi benzerliği oluşturabilir. Tədqiqat böyle bir mümkünlığın önlendiğine ilişkin xəstə kimliyi, grup bölünmesi və ya tekrar görüntü denetimi sunmamıştır.

Bundan əlavə vəri artırmanın test ayırmaından önce mi yoksa sonra mı uygulandığı açıq değildir. Güvənilir bir qiymətləndirməde artırılmış türevlerin yalnızca təlim bölümünde oluşturulduğunun açıq biçimde gösterilmesi gerekir.

EfficientNetB0 arxitekturası

Tədqiqatda EfficientNetB0, yaklaşık 5,3 milyon parametreye və yaklaşık 82 qata sahip bir evrişimli neyron şəbəkəsi olaraq müəyyən edilmişdir. Ağın temel biləşenleri şunlardır:

• Başlangıç evrişim qatı, toplu normalizasyon və Swish aktivləşdirməsinden oluşan kök blok
• Mobilə Invərted Bottleneck Convolution blokları
• Derinlik istiqamətinde ayrılabilir evrişimler
• Squeeze-and-Excitation blokları
• Artık btorlantılar
• Küresel orta havuzlama
• Son sinif mümkünlıklarını üreten təsnifat qatı

Derinlik istiqamətinde ayrılabilir evrişim, standart bir evrişim işləməini kanal bazlı və 1×1 noktasal evrişim mərhələlərina ayırarak işləmə sayısını azaltmayı amaçlamaktadır. Squeeze-and-Excitation blokları isə kanalların örütubətini öğrenerek yararlı xüsusiliklerin torırlığını artırmayı hedeflemektedir.

Transfer öğrenmesi və incə tənzimləmə

Tədqiqatçılar ImageNet üzerinde önceden eğitilmiş EfficientNetB0 çəkilərinı başlanğıc nöqtəsi olaraq kullanmıştır. Önceden eğitilmiş qatlar daha sonra serbest bırakılmış və MRI vəri dəsti üzerinde yeniden ayarlanmıştır.

Kayıp fonksionu, öğrenme nisbətı zamanlayıcısı, erken durdurma ölçütü, çəki parçalanması, rastgele başlangıç tohumu və en iyi modelin hansı validasiya ölçütüne göre seçildiği belirtilmemiştir.

Çalıştırma ortamı

Tədqiqatnın Google Colab Pro+ üzerinde 52 GB RAM və V2-8 TPU kullanılarak yürütüldüğü qeyd edilmişdir. Python, Pandas, PyTorch və Scikit-Learn kütüphaneleri istifadə edilmişdir. Buna karşılık Tablo 2’de çalıştırma ortamı “GPU” olaraq yazılmıştır. TPU və GPU ifadelerinin fərqli təcrübəlere mi ait olduğu açıqlanmamışdır.

Python, PyTorch və Scikit-Learn sürümleri; TPU istifadə üsulu; modelin dtorıtık mı yoksa tek aygıtla mı eğitildiği və işləmə sürelerinin donanım istifadəına necə btorlı olduğu vərilməmişdir.

Hibrit model necə oluşturulmuştur?

Hibrit yaklaşmada incə tənzimləməlanmış EfficientNetB0 modelinin son təsnifat qatı kullanılmamış; küresel orta havuzlama çıkışından görüntü başına 9.216 xüsusilikten oluştuğu bildirilən bir vəktör çıkarılmıştır. Bu vəktörler dört fərqli maşın öyrənməsi algoritmasına vərilmiştir.

Özellik vəktörünün kesin tensör biçimi, hansı qatdan alındığı, ölçeklendirilip ölçeklendirilmediği və ya boyut indirgeme uygulanıp uygulanmadığı ayrıntılı olaraq gösterilmemiştir. Tədqiqatda küresel orta havuzlama ilə 9.216 xüsusilik arasında btorlantıyı gösteren qat çıktısı və ya kod parçası yoxdur.

Support Vector Machine

SVM, yüksək boyutlu xüsusilik uzayında siniflar arasında en uygun karar sınırını bulmaya çalışan denetimli bir siniflandırıcıdır. Tədqiqatda en iyi ümumi nəticə SVM ilə elde edilmiştir. Bununla belə doğrusal, polinom və ya radyal tabanlı hansı çekirdeğin kullanıldığı; \(C\), \(\gamma\), sinif çəkiləri və çok sinifli karar stratejisi belirtilmemiştir.

K-Nearest Neighbours

KNN, yeni bir örneği xüsusilik uzayındaki en yakın komşularının siniflarına göre atamaktadır. Tədqiqatda ölçeklenebilirlik bakımından en kısa işləmə sürelerini üretmiştir. Kullanılan komşu sayısı, uzaklık ölçütü, komşu çəkilandırması və xüsusiliklerin standartlaştırılması hakkında bilgi vərilməmişdir.

Random Forest

Random Forest, fərqli vəri və xüsusilik alt kümeleriyle eğitilən çok sayıda karar toracının çoğunluk oyuna dayanmaktadır. İncelenen modeller üçünde en aştorı ana dəqiqlik bu modelde görülmüştür. Ağaç sayısı, azami derinlik, bölünme ölçütü və her düyünde kullanılan xüsusilik sayısı bildirilmemiştir.

Multilayer Perceptron

MLP, bir və ya daha fazla gizli qatdan oluşan irəli qidalanmali neyron şəbəkəsidır. Ölçeklenebilirlik cədvəlsunda en yüksək işləmə sürelerini MLP üretmiştir. Gizli qat sayıları, nöron sayıları, aktivləşdirmə fonksionları, düzenliləştirme, optimizasyon üsulu və təlim dörütubəti vərilməmişdir.

Değerlendirme ölçütleri

Tədqiqatda dəqiqlik, həssaslıq və spesifiklik istifadə edilmişdir. Metinde dəqiqlik denklemi şu biçimde basılmıştır:

\[ \mathrm{Accuracy}= \frac{TP+TN} {TP+TB+FP+FN}\times100 \]

Bu denklemde paydadaki \(TB\) diaqnozmlanmamıştır. Takip eden açıqlamada \(TP\), \(TN\), \(FP\) və \(FN\) diaqnozmlandığı üçün \(TB\) ifadesi mümkün bir yazım hatasıdır. Standart biçimde toplam örnek sayısını temsil eden payda:

\[ TP+TN+FP+FN \]

olmalıdır. Ancaq özgün metindeki hata sessizce düzeltilmemiştir.

Duyarlılık denklemi:

\[ \mathrm{Sensitivity}= \frac{TP}{TP+FN}\times100 \]

Özgüllük denklemi:

\[ \mathrm{Specificity}= \frac{TN}{TN+FP}\times100 \]

şeklindedir. Çok sinifli zondlemde həssaslıq və özgüllüğün makro orta, çəkilı orta və ya bire karşı diğerleri üsuluyle mi hesaplandığı açıqlanmamışdır.

Tədqiqatda kesinlik, F1 puanı, alıcı işletim karakteristiği eğrisi, eğri altındaki alan, tahmin mümkünlığı kalibrasiyau və ya karar eşiği analizi təqdim edilməmişdir.

Genel model nəticələri

Ana cədvəlya göre SVM hibridi, btorımsız EfficientNetB0’dan yalnızca bir yüzde puanı daha yüksək dəqiqlik üretmiştir. Duyarlılık və spesifiklik dəyərləri iki modelde aynıdır. Bu niyəle bildirilən iyiləşme esas olaraq toplam doğru təsnifat nisbətındaki küçük farkla sınırlıdır.

SVM özgüllüğü ana cədvəlda %99 olaraq gösterilmiştir. Tablo altındaki not, başka bir cədvəlda %100 dəyəri bulunduğunu söylemektedir; ancaq atıf vərilən Tablo 2 model arxitekturası və təlim parametrelerini içermekte, spesifiklik sonucu içermemektedir.

Sınıf bazlı nəticələr

Bu cədvəlya göre btorımsız EfficientNetB0, qlioma və hipofiz şişinde SVM hibridinden daha yüksək; SVM hibridi isə meningioma və şiş olmayan görüntülərde biraz daha yüksək nəticə üretmiştir.

Bununla belə xülasə və nəticə açıqlamalarında SVM üçün meningioma %93, şiş yoxdur %99 və hipofiz şişi %98 dəyərləri vərilmiştir. Tablo 5’te şiş yoxdur və hipofiz şişi üçün %97 yazmaktadır. Hangi dəyərlərin nihai nəticə olduğu açıq değildir.

Tabloda kullanılan “sinif doğruluğu” ölçütünün her sinifın duyarlılığı mı, sinif içi doğru tahmin nisbətı mı və ya qarışıqlıq matrisinden başka bir üsulle hesaplanan dəyər mi olduğu diaqnozmlanmamıştır.

Karışıklık matrisleri

Tədqiqatçılar her model üçün qarışıqlıq matrisi oluşturulduğunu belirtmektedir. Ancaq incelenen 18 sayfalık sürümde bu matrislerin sayısal cədvəlları və ya görselleri yoxdur. Bu niyəle qliomaların hansı sinifla, meningiomaların hansı sinifla daha sık karıştırıldığı birbaşa dəyərlendiriləmemektedir.

Karışıklık matrislerinin bulunmaması, xüsusilikle tıbbi təsnifatda əhəmiyyətli olan yanlış neqativ və yanlış pozitiv hataların sinif bazında incelenmesini maneəlemektedir.

Ölçeklenebilirlik qiymətləndirməsi

Hibrit modeller 1.311, 3.200, 4.000 və 6.000 görüntüden oluşan dört test turunda dəyərlendirilmiştir. Tədqiqat dəqiqlik, toplam işləmə süresi, görüntü başına orta süre, hata payı və %95 güvən aralıklarını bildirmiştir.

SVC, 6.000 görüntüde 0,9580 ilə en yüksək doğruluğu korumuştur. Bu sonucun %95 etibar intervalı 0,9529–0,9631 olaraq vərilmiştir. KNN en aştorı işləmə sürelerini üretirken 6.000 görüntüde doğruluğu 0,9327’ye düşmüştür. MLP doğruluğu yüksək kalmasına rtormen 2.166 saniyeyi aşan işləmə süresiyle en xərcli model olmuştur. Random Forest hem dəqiqlik bakımından daha aştorı kalmış hem de vəri büyüdükçe daha belirgin performans təkansi göstərmişdir.

Ölçeklenebilirlik nəticələrindaki uyumsuzluk

Ana performans cədvəlsunda KNN doğruluğu %93, MLP %94, Random Forest %88 və SVM %96 olaraq vərilmiştir. Ölçeklenebilirlik cədvəlsunun 1.311 görüntülü ilk turunda isə aynı modeller sırasıyla %96,42, %95,65, %93,70 və %97,93 dəqiqlik üretmektedir.

Aynı büyüklükte olduğu görünen 1.311 görüntülük test kümesinde bu kadar fərqli nəticələrin niyə oluştuğu açıqlanmamışdır. Farklı təlim kümeleri, fərqli rastgele bölünmeler və ya ayrı təcrübə koşulları kullanılmış ola bilər; ancaq tədqiqat bunu belirtmemektedir.

Tartışma bölümünde ilk SVM turu “1.911 görüntüde 0,9797” olaraq anlatılmıştır. Tablo 6’da isə “1.311 görüntüde 0,9793” yazmaktadır. Bu niyəle ölçeklenebilirlik nəticələri yorumlanırken cədvəl dəyərlərinin metinle tam olaraq uyuşmadığı dikkate alınmalıdır.

Hesaplama xərci iddiası

Tədqiqat, hibrid yaklaşmaın son təsnifat mərhələsında daha aştorı hesablama xərci və daha kısa təlim süresi storlayabiləceğini iləri sürmektedir. Bu yaklaşmada EfficientNetB0 bir kez xüsusiyyət çıxarıcı olaraq kullanıldıktan sonra geleneksel siniflandırıcılar xüsusilik vəktörleri üzerinde tədqiqatktadır.

Ancaq bildirilən işləmə sürelerinin EfficientNetB0 xüsusilik çıkarma mərhələsını içerip içermediği açıq değildir. Btorımsız EfficientNetB0 modelinin təlim süresi, test süresi, örnek başına çıkarım süresi, enerji istehlakı və ya bellek istifadəı da aynı cədvəlda vərilməmişdir.

Bu niyəle “hibrid model btorımsız dərin öyrənmə modelinden daha az hesablama gerektirir” sonucunun nicel büyüklüğü mevcut vərilərden hesaplanamamaktadır. Tablo yalnızca hibrid siniflandırıcıların kendi aralarındaki süre farklarını göstərir.

Tədqiqatnın güclü yönleri

• Toplam 7.023 görüntüden oluşan və üç açıq kayntorı birleştiren görece büyük bir görüntü havuzu istifadə edilmişdir.
• Üç şiş sinifı ilə şiş olmayan görüntülər aynı dörd sinifli zondlem üçünde dəyərlendirilmiştir.
• Btorımsız EfficientNetB0 modeli ilə dört hibrid arxitektura birbaşa müqayisə edilmişdir.
• Transfer öğrenmesi və vəri artırma sınırlı tıbbi görüntü vərisi sorununa karşı birlikdə istifadə edilmişdir.
• Genel dəqiqlik yanında həssaslıq və spesifiklik bildirilmişdir.
• Farklı vəri büyüklüklerinde işləmə süresi və etibar intervalı analizi strukturlmıştır.
• Açık vəri mənbəları və etika komitə referansı vərilmiştir.
• Tədqiqat kendi xarici validasiya, MRI sekans fərqlilığı və açıqlanabilirlik məhdudiyyətlərinı açıqça kabul etmiştir.

Tədqiqatnın məhdudiyyətləri

• Tədqiqat hakem qiymətləndirməsinden geçmemiş bir preprinttir.
• Veri artırma sonrasındaki sinif sayıları toplam təlim sayısıyla uyuşmamaktadır.
• Ana model və hibrid modeller üçün vərilən vəri bölünme nisbətları tam olaraq aynı değildir.
• Hasta səviyyəinde bölünme strukturlıp strukturlmadığı belirtilmemiştir.
• Veri artırmanın test ayırmaından sonra uygulandığı gösterilmemiştir.
• Farklı açıq vəri kümelerinin görüntü formatı, MRI sekansı və xəstə xüsusilikleri tam olaraq belgelenmemiştir.
• Aynı qurum və ya cihazdan gelen görsel işaretlerin model tarafından öğrenilip öğrenilmediği dəyərlendirilmemiştir.
• SVM, KNN, Random Forest və MLP hiperparametreleri vərilməmişdir.
• Kayıp fonksionu, erken durdurma, model seçimi və rastgele başlangıç ayarları açıqlanmamışdır.
• Karışıklık matrisleri metinde anılmasına rtormen təqdim edilməmişdir.
• Ana nəticələr üçün xaç validasiya və ya tekrarlı təcrübəler raporlanmamıştır.
• Farklı cədvəllardaki dəqiqlik dəyərləri birbiriyle uyuşmamaktadır.
• Sınıf bazlı SVM dəyərləri xülasə, açıqlama və cədvəl arasında değişmektedir.
• Btorımsız dış xəstəne vəri dəstiyle validasiya strukturlmamıştır.
• İleriye dönük klinik tədqiqat və ya radioloq müqayisəsı yoxdur.
• Model kararlarını açıqlayan ısı haritası, saliency və ya başka bir XAI çıktısı təqdim edilməmişdir.
• Modelin mümkünlık kalibrasiyau və klinik karar eşikleri dəyərlendirilmemiştir.
• Kaynak kodu, təlim strukturlandırması və model çəkiləri üçün açıq depo btorlantısı vərilməmişdir.

Tədqiqatnın desteklediği nəticələr

• EfficientNetB0, kullanılan test düzeninde dört görüntü sinifını yüksək ümumi dəqiqlikla ayırabilmiştir.
• Ana performans cədvəlsunda EfficientNetB0+SVM hibridi en yüksək ümumi doğruluğu üretmiştir.
• SVM hibridi btorımsız EfficientNetB0’a göre yaklaşık bir yüzde puanı daha yüksək dəqiqlik göstərmişdir.
• Random Forest, ana nəticələrda diğer hibrid siniflandırıcılardan daha aştorı performans göstərmişdir.
• KNN, ölçeklenebilirlik cədvəlsunda en kısa işləmə sürelerini üretmiştir.
• SVC, 6.000 görüntülü ölçeklenebilirlik təcrübəinde en yüksək doğruluğu korumuştur.
• Örnek sayısı arttıkça bildirilən hata payları azalmış və güvən aralıkları daralmıştır.

Tədqiqatnın kanıtlamadığı nəticələr

• Model beyin kanserinin mərhələsini təsnifatmaktadır.
• Model şişin iyi və ya kötü huylu olduğunu kesin olaraq belirlememektedir.
• Model şiş derecesini, molekulyar alt tipini və ya tedavi seçimini tahmin etmemektedir.
• Tədqiqat real anlamda erken mərhələ xəstəlık aşkarlamai yapmamaktadır.
• Model şiş bölgesini segmentlere ayırmamakta və ya hacmini ölçmemektedir.
• %96 dəqiqlik bütün xəstənelerde və bütün MRI cihazlarında aynı performansın elde ediləceğini göstermemektedir.
• Sonuçlar radioloq performansından üstünlük sübut etmir.
• Model klinik diaqnoznın yerine geçebiləcek bir tıbbi cihaz olaraq doğrulanmamışdır.
• Yüksek görüntü səviyyəi doğruluğu xəstə səviyyəsində aynı doğruluğun elde ediləceğini sübut etmir.
• Hibrit modelin toplam uçtan uca hesablama xərcinin btorımsız EfficientNetB0’dan aştorı olduğu nicel olaraq gösterilmemiştir.
• Tədqiqat model istifadəının xəstə storkalımını və ya tedavi nəticələrinı iyiləştirdiğini göstermemektedir.

Tədqiqatnın Yöntemi və Bulguları

Sayısal iş axını

1. Figshare, SARTAJ və BR35H mənbəlarından 7.023 MRI görüntüsü birleştirilmiştir.
2. SARTAJ kayntorındaki qlioma görüntülərinde belirlenen təsnifat sorunları niyəiyle qlioma sinifı Figshare görüntüləriyle değiştirilmiştir.
3. Görüntüler 512×512 pikselden 299×299 piksele yeniden boyutlandırılmıştır.
4. Parlaklık, kontrast və piksel normalizasyonu uygulanmıştır.
5. Rastgele döndürme və yatay çevirme ilə vəri artırma strukturlmıştır.
6. 5.712 görüntü təlim, 1.311 görüntü test üçün ayrılmıştır.
7. ImageNet üzerinde önceden eğitilmiş EfficientNetB0 qatları MRI vərisiyle incə tənzimləməlanmıştır.
8. Btorımsız EfficientNetB0 modeli dörd sinifli uçtan uca siniflandırıcı olaraq dəyərlendirilmiştir.
9. EfficientNetB0’dan görüntü başına 9.216 xüsusilik çıkarıldığı bildirilmişdir.
10. Bu xüsusiliklerle SVM, KNN, Random Forest və MLP modelleri eğitilmiştir.
11. Modeller dəqiqlik, həssaslıq və spesifiklikle müqayisə edilmişdir.
12. Hibrit modeller 1.311–6.000 görüntü aralığında ölçeklenebilirlik təcrübəlerine alınmıştır.

Ana model strukturlandırması

Model sıralaması

Model bazında yorum

EfficientNetB0: Btorımsız model %95 ümumi doğruluğa ulaşmıştır. Sınıf bazında en yüksək sonucu %98 ilə hipofiz şişinde, en aştorı sonucu %92 ilə meningiomada vərmiştir.

EfficientNetB0+SVM: Ana cədvəlya göre %96 ilə en yüksək ümumi doğruluğu storlamıştır. Ancaq sinif bazlı dəyərlər makalenin fərqli bölümlerinde değişmektedir. Ölçeklenebilirlik cədvəlsunda 1.311 görüntü üçün %97,93 dəyərinin vərilmesi de ana cədvəlyla uyumlu değildir.

EfficientNetB0+MLP: Ana cədvəlda %94 dəqiqlik göstərmişdir. Ölçeklenebilirlik təcrübəinde yüksək doğruluğunu büyük ölçüde korusa da 2.000 saniyeyi aşan süreleriyle en fazla hesablama süresi gerektiren hibrid olmuştur.

EfficientNetB0+KNN: Ana cədvəlda %93 dəqiqlik üretmiştir. Veri büyüdükçe doğruluğu düşmüş, fakat işləmə süresi bakımından diğer hibridlerden belirgin biçimde sürətli kalmıştır.

EfficientNetB0+Random Forest: Ana cədvəlda %88 dəqiqlikla en aştorı sonucu vərmiştir. Özellikle qlioma və meningioma siniflarında diğer modellerden daha aştorı dəyərlər elde etmiştir.

Şekil 1’in vərdiği bilgi

Tədqiqatdaki tek çok parçalı qraf KNN, MLP, Random Forest və SVC modellerinin dört vəri büyüklüğündeki dəqiqliklarını göstərir. Koyu çizgilər model doğruluğunu, açıq çizgilər %95 etibar intervalının alt və üst sınırlarını temsil etmektedir.

Dört qrafte de vəri büyüdükçe doğruluğun bir miktar azaldığı görülmektedir. Aynı zamanda örnek sayısının artmasıyla güvən aralıkları daralmaktadır. SVC en yüksək dəqiqlik eğrisini, Random Forest isə en aştorı eğriyi üretmiştir.

Grafikler model doğruluğunu göstermekte, ancaq btorımsız EfficientNetB0 modeline ait müqayisəlı bir işləmə süresi və ya ölçeklenebilirlik eğrisi içermemektedir.

İstatistiksel qiymətləndirmə sınırı

Ölçeklenebilirlik cədvəlsunda binom nisbətlarına benzeyen hata payları və %95 güvən aralıkları vərilmiştir. Ancaq ana %95 və %96 dəqiqlik nəticələri üçün aynı güvən aralıkları təqdim edilməmişdir. Modeller arasındaki bir yüzde puanlık farkın statistik olaraq anlamlı olup olmadığına ilişkin eşleştirilmiş test və ya yeniden nümunələmə analizi strukturlmamıştır.

SVM ilə btorımsız EfficientNetB0 aynı görüntülər üzerinde dəyərlendirilmiş olsa bilə, yalnızca yuvarlatılmış dəqiqlik dəyərlərinden bir modelin diğerinden güvənilir biçimde üstün olduğu sonucuna varmak mümkün değildir. Bunun üçün örnek bazında hata dtorılımları və tekrarlı təcrübəler gerekir; tədqiqat bu bilgiləri sunmamaktadır.

Genellenebilirlik qiymətləndirməsi

Veri üç açıq mənbətan birleştirilmiş olsa da xarici validasiya, təlim sürecinde hiç kullanılmamış btorımsız bir xəstəne vəri dəstiyle strukturlmamıştır. Birleştirilən mənbəların fərqli görüntü biçimleri, kontrastları, çözünürlükleri və ya kənar boşlukları bulunabilir. Modelin şiş xüsusilikleri yerine vəri kayntorına özgü görsel ipuçlarını öğrenip öğrenmediği test edilmemiştir.

Tədqiqat, Figshare vərilərinin T1 çəkilı kontrastlı görüntülər içerdiğini belirtmekte; bütün birleşik vəri dəstindeki sekansların aynı olup olmadığı isə açıqlanmamaktadır. T1, T2, FLAIR və ya kontrastlı görüntülərin karışması hâlinde modelin real klinik ümumilənebilirliği ayrıca dəyərlendirilmelidir.

Klinik istifadəa ilişkin qiymətləndirmə

Tədqiqatçılar sistemi radioloqlar və nöro-onkologlar üçün ikinci görüş və ya karar destek aracı olaraq qiymətləndirməktedir. Ancaq tədqiqatda uzman okuyucu təcrübəi, klinik iş axını testi, diaqnoz süresi müqayisəsı və ya kullanıcı güvəni analizi strukturlmamıştır.

Model tahmini, histopatolojik yoxlama və ya klinik qiymətləndirmə yerine geçmez. Qlioma, meningioma və hipofiz şişi diaqnozları yalnızca tek bir iki boyutlu görüntü təsnifatsına dayanarak kesinleştiriləmez. Mevcut tədqiqat, algoritmik performansın ilk teknik qiymətləndirməsi niteliğindedir.

Genel bilimsel qiymətləndirmə

Tədqiqatnın temel bulgusu, EfficientNetB0’dan çıkarılan derin görüntü xüsusiliklerinin SVM ilə siniflandırılmasının kullanılan vəri düzeninde güclü nəticə üretebildiğidir. SVM hibridi ana cədvəlda btorımsız modele göre küçük bir dəqiqlik artışı storlamıştır.

Bununla belə nəticələrin güvənilirliğini sınırlayan başlıca konu, fərqli cədvəlların aynı modeller üçün fərqli dəqiqliklar bildirmesidir. Veri artırma və təlim kümesi sayılarının uyuşmaması da təcrübəin yeniden üretilmesini zorlaştırmaktadır.

Tədqiqat klinik istifadəa hazır bir diaqnoz sistemi göstermekten çok, EfficientNetB0 xüsusilikleriyle fərqli siniflandırıcıların karşılaştırılmasına yönelik bir ön tədqiqat olaraq dəyərlendirilmelidir. Yöntemin real dəyəri; xəstə bazlı bölünme, aynı test kümesi, eksiksiz hiperparametreler, açıq kod, xarici validasiya və iləriye dönük klinik testlerle yeniden sınandığında belirlenebilir.

Kaynak və Yöntem Notu

Tədqiqatnın tam özgün adı: Hybrid Deep Learning Using MRI Scans for Advancements of Brain Tumours Multi-Classifications

Yazarlar və sıraları: Amirparsa Rouhi; Fatemeh Parsakordasiabi; Timothy Albiges; Zoheir Sabeur.

Eş birinci müəllif: Tədqiqatda eşit katkı və ya eş birinci müəlliflık beyanı yoxdur. Yazar adlarındaki yıldız işareti ortak qurum dipnotuna yönelmektedir.

Sorumlu müəllif: Zoheir Sabeur. Tədqiqatda ilətişim adresi zsabeur@bourrütubətouth.ac.uk olaraq vərilmiştir.

Kurum: Bütün müəlliflər üçün Bourrütubətouth Univərsity, Poole, Dorset, BH15 5BB, United Kingdom bilgisi vərilmiştir. Kurumun posta kodu tədqiqatda yazıldığı biçimde korunmuştur; btorımsız qurum kaydındaki fərqli posta kodu sessizce metne aktarılmamıştır.

Yazar e-posta adresleri:

• Amirparsa Rouhi: s5643275@bourrütubətouth.ac.uk
• Fatemeh Parsakordasiabi: s5643276@bourrütubətouth.ac.uk
• Timothy Albiges: talbiges@bourrütubətouth.ac.uk
• Zoheir Sabeur: zsabeur@bourrütubətouth.ac.uk

DOI: Tədqiqatnın PDF metninde açıq bir DOI bilgisi yer almır və DOI btorımsız olaraq doğrulanamamıştır.

SSRN xülasə numarası: 7181697.

Kaynak türü: Tıbbi görüntü təsnifatsı, dərin öyrənmə və maşın öyrənməsi preprint tədqiqat makalesi.

Yayın platformu: SSRN.

Dergi: Hakemli bir dergi adı və ya yayımlanmış dergi sürümü tədqiqatda belirtilmemiştir.

Yayınevi: Ayrı bir dergi yayınevi bilgisi yer almır.

Yıl: Dosya metadata bilgiləri 2026 yılını göstərir; ana metinde ayrıca açıq yayın tarihi vərilməmişdir.

Hakemlik durumu: Tədqiqat resenziyadan keçməmişdir. Her sayfada “Preprint not peer reviewed” uyarısı bulunmaktadır.

Resmî qeyd btorlantısı:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7181697

Etik qiymətləndirmə: Tədqiqat Bourrütubətouth Univərsity Ethics Board tarafından 66271 referans numarasıyla dəyərlendirilmiştir. Yalnızca geriye dönük, açıq və anonimleştirilmiş vəri tabanları kullanıldığı üçün ayrıca xəstə onamı gerekmediği qeyd edilmişdir.

Finansman: Tədqiqatçılar kamu, ticari və ya kâr amacı gütmeyen maliyyələşdirmə kuruluşlarından xüsusi bir hibe alınmadığını bildirmiştir.

Çıkar çatışması: Yazarlar tədqiqatyı etkiləyebiləcek bilinen mali çıkar və ya kişisəl ilişki bulunmadığını beyan etmiştir.

Açık vəri mənbəları:

• Figshare Brain Tumor Dataset
• SARTAJ Brain Tumor Classification MRI
• BR35H Brain Tumor Detection

Kod və model kullanılabilirliği: Kaynak kodu, təlim betikaleri, eğitilmiş model çəkiləri və ya təcrübə strukturlandırmaları üçün açıq depo btorlantısı vərilməmişdir.

Yazar katkıları:

• Amirparsa Rouhi: Kavramsallaştırma, üsul, yazılım, validasiya, biçimsel analiz, tədqiqat və gözden geçirme-düzenleme.
• Fatemeh Parsakordasiabi: Kavramsallaştırma, üsul, yazılım, validasiya, biçimsel analiz, tədqiqat, ilk taslak və gözden geçirme-düzenleme.
• Timothy Albiges: Biçimsel analiz, görselleştirme, danışmanlık və gözden geçirme-düzenleme.
• Zoheir Sabeur: Biçimsel analiz, danışmanlık və gözden geçirme-düzenleme.

Bu türkcə içerik, yüklenen 18 sayfalık tədqiqat baştan sona incelenerek hazırlanmıştır. Bilimsel üsul, vəri sayıları, model parametreleri, performans ölçmələri, cədvəllar, qrafler və məhdudiyyətlar yalnızca tədqiqatda sunulan bilgiləre dayanmaktadır. Dış mənbəlar yalnızca bibliyoqraf qurum və müəllif kimliyi kontrolü amacıyla istifadə edilmişdir.

Tədqiqatda görülen sayısal və editoryal uyumsuzluklar sessizce düzeltilmemiştir. Bunlar arasında 3.000 görüntü olaraq bildirilən sinif hedefleriyle 5.712 görüntülük təlim kümesinin uyuşmaması, iki fərqli vəri bölünmesi, ana və ölçeklenebilirlik cədvəllarındaki fərqli dəqiqlik dəyərləri, SVM sinif nəticələrindaki değişiklikler, yanlış cədvəl atıfları, 1.311–1.911 görüntü uyuşmazlığı və dəqiqlik denklemindeki diaqnozmsız “TB” terimi bulunmaktadır.

Tədqiqatnın en əhəmiyyətli bilimsel məhdudiyyətləri; xəstə bazlı vəri bölünmesinin gösterilmemesi, btorımsız xarici validasiya bulunmaması, MRI sekanslarının bütün vəri dəstinde standart olmaması, model hiperparametrelerinin eksikliği, açıqlanabilirlik çıktılarının sunulmaması, karışıklık matrislerinin yayımlanmaması və klinik qiymətləndirmə strukturlmamasıdır. Bildirilən %96 dəqiqlik, bu məhdudiyyətlar altında realleştirilən görüntü səviyyəi testin sonucudur və klinik diaqnoz başarısı olaraq yorumlanmamalıdır.