Bu çalışma, beyin manyetik rezonans görüntülerini glioma, meningioma, hipofiz tümörü ve tümör bulunmayan görüntüler olmak üzere dört sınıfa ayırmak için EfficientNetB0 tabanlı derin öğrenme ve hibrit makine öğrenmesi modellerini karşılaştırmıştır. Figshare, SARTAJ ve BR35H açık veri kaynaklarından derlenen toplam 7.023 MRI görüntüsü kullanılmıştır. Araştırmacılar, bağımsız ve ince ayarlanmış EfficientNetB0 modelini; EfficientNetB0 ile çıkarılan derin özellikleri Support Vector Machine, K-Nearest Neighbours, Random Forest ve Multilayer Perceptron sınıflandırıcılarına aktaran dört hibrit modelle karşılaştırmıştır.

Ana performans tablosuna göre bağımsız EfficientNetB0 modeli %95 doğruluk, %98 duyarlılık ve %99 özgüllük elde etmiştir. En yüksek genel doğruluk, EfficientNetB0 özellik çıkarıcısı ile Support Vector Machine sınıflandırıcısını birleştiren hibrit modelde görülmüş; bu model için %96 doğruluk, %98 duyarlılık ve %99 özgüllük bildirilmiştir. EfficientNetB0+MLP modeli %94, EfficientNetB0+KNN modeli %93 ve EfficientNetB0+Random Forest modeli %88 doğruluk üretmiştir.

Sonuçlar, EfficientNetB0 tarafından öğrenilen görüntü özelliklerinin SVM tarafından sınıflandırılmasının bağımsız modele göre yaklaşık bir yüzde puanlık genel doğruluk artışı sağlayabileceğini göstermektedir. Bununla birlikte makaledeki ana performans tablosu, sınıf bazlı tablo ve ölçeklenebilirlik tablosu arasında birbiriyle uyuşmayan değerler bulunmaktadır. Ayrıca veri artırma sayıları, model bölünmeleri ve işlem sürelerinin hangi aşamaları kapsadığı tam olarak açıklanmamıştır.

Çalışma klinik bir tanı deneyi değildir. Kullanılan veriler geriye dönük ve açık veri kümelerinden alınmıştır; bağımsız hastanelerden dış doğrulama, ileriye dönük klinik çalışma, radyolog karşılaştırması veya gerçek hasta iş akışında değerlendirme yapılmamıştır. Model, tümör derecesini, kanser evresini, moleküler alt türü, tedavi yanıtını veya hastanın prognozunu belirlememektedir. Yalnızca sunulan görüntüyü dört görüntü sınıfından birine atamaktadır.

Türkiye açısından olası önemi

Çalışmada Türkiye’den hasta, hastane veya MRI cihazı verisi kullanılmamıştır. Buna rağmen yöntem; Türkiye’de radyoloji, nöroşirürji, nöro-onkoloji, biyomedikal mühendislik ve sağlık bilişimi alanlarında yürütülebilecek bilgisayar destekli görüntü analizi araştırmaları açısından uyarlanabilir bir örnek sunmaktadır. Özellikle derin öğrenme modelinin özellik çıkarıcı, daha geleneksel bir algoritmanın ise son sınıflandırıcı olarak kullanılması; sınırlı hesaplama altyapısına sahip araştırma ortamları için incelenmeye değer bir tasarım yaklaşımıdır.

Türkiye’de güvenilir kullanım için farklı şehir ve hastanelerden, farklı MRI cihazlarından ve görüntüleme protokollerinden alınan hasta düzeyinde verilerle dış doğrulama yapılması gerekir. Aynı hastaya ait görüntülerin eğitim ve test kümelerine dağılmasını engelleyen hasta bazlı bölünme uygulanmalı; model sonuçları uzman radyolog değerlendirmeleriyle karşılaştırılmalı; yanlış negatif ve yanlış pozitif sonuçların klinik etkileri ayrı ayrı incelenmelidir. Bu çalışma herhangi bir Türk hastanesinde kullanıma hazır, ruhsatlandırılmış veya klinik tanının yerini alabilecek bir sistem sunmamaktadır.

Araştırmanın temel problemi nedir?

Beyin tümörlerinin MRI görüntülerinden değerlendirilmesi, görüntü özelliklerinin birbirine benzeyebilmesi, tümörlerin farklı büyüklük ve konumlarda ortaya çıkması ve görüntüleme protokollerinin değişebilmesi nedeniyle zor bir sınıflandırma problemidir. Manuel değerlendirme uzmanlık gerektirir ve araştırmacılara göre yorumlayan kişiler arasında farklılıklara açık olabilir.

Çalışmanın amacı, önceden geniş bir doğal görüntü veri kümesi üzerinde eğitilmiş EfficientNetB0 modelinin MRI görüntülerinden ayırt edici özellikler öğrenip öğrenemediğini ve bu özelliklerin geleneksel makine öğrenmesi sınıflandırıcılarıyla birleştirilmesinin performansı artırıp artırmadığını değerlendirmektir.

Araştırmada iki temel yaklaşım karşılaştırılmıştır:

• Bağımsız derin öğrenme modeli: EfficientNetB0 görüntüyü baştan sona işleyerek doğrudan dört sınıftan birini üretmektedir.
• Hibrit yaklaşım: EfficientNetB0 görüntüden derin bir özellik vektörü çıkarmakta, son sınıflandırma SVM, KNN, Random Forest veya MLP ile yapılmaktadır.

Çalışmanın gerçekte sınıflandırdığı şey nedir?

Model dört görüntü etiketi arasında ayrım yapmaktadır:

• Glioma
• Meningioma
• Hipofiz tümörü
• Tümör yok

Bu sınıflar tümörün evresini veya derecesini göstermemektedir. Veri kümesinde Evre I, Evre II, Evre III veya Evre IV gibi kanser evresi etiketleri; düşük veya yüksek derece gibi histolojik dereceler; IDH, 1p/19q veya MGMT gibi moleküler özellikler bulunmamaktadır. Dolayısıyla çalışmanın bazı bölümlerinde kullanılan “kanser evrelerinin sınıflandırılması” ifadesi, açıklanan veri yapısıyla uyumlu değildir.

Model aynı zamanda görüntü üzerinde tümörün sınırını çizmemekte, hacmini ölçmemekte veya hangi piksel bölgesinin karar üzerinde etkili olduğunu göstermemektedir. Bu araştırma bir segmentasyon çalışması değil, görüntü düzeyinde sınıflandırma çalışmasıdır.

Veri kümesi nasıl oluşturulmuştur?

Toplam 7.023 MRI görüntüsü üç açık kaynaktan derlenmiştir:

• Figshare beyin tümörü veri kümesi
• SARTAJ Brain Tumor Classification MRI veri kümesi
• BR35H Brain Tumor Detection veri kümesi

“Tümör yok” sınıfındaki görüntüler BR35H kaynağından alınmıştır. Araştırmacılar, SARTAJ veri kümesindeki glioma görüntülerinin sınıflandırılmasında tutarsızlık belirlediklerini ve bu görüntüleri Figshare kaynağındaki glioma görüntüleriyle değiştirdiklerini bildirmiştir.

Sınıflar tamamen dengeli değildir; ancak en küçük ve en büyük sınıf arasındaki fark 379 görüntüdür. Çalışma, eğitim aşamasında veri artırma yoluyla sınıfları dengelemeyi amaçlamıştır.

Veri ön işleme adımları

Özgün görüntüler 512×512 piksel boyutundadır. Bütün görüntüler EfficientNetB0 modeline giriş amacıyla 299×299 piksele yeniden boyutlandırılmıştır. Ardından parlaklık ve kontrast düzenlemeleri uygulanmış, piksel değerleri standartlaştırılmıştır.

Metinde normalizasyon işlemi, her görüntü kanalından ortalamanın çıkarılması ve standart sapmaya bölünmesi yoluyla ortalaması sıfır ve standart sapması bir olan bir dağılım elde edilmesi şeklinde açıklanmıştır.

Veri artırma işlemleri şunlardır:

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

Çalışma bir yerde her görüntünün “iki kat” artırıldığını, Tablo 1’de ise her sınıf için eğitim hedefinin 3.000 görüntü olduğunu bildirmektedir. Dört sınıfın her biri 3.000 görüntüye çıkarılmış olsaydı artırılmış eğitim havuzunun toplamı 12.000 görüntü olurdu. Ancak aynı tabloda toplam eğitim kümesi 5.712 görüntü olarak verilmiştir. Hangi görüntülerin artırıldığı, artırılmış görüntülerin ne zaman oluşturulduğu ve 3.000 sınıf hedefi ile 5.712 eğitim görüntüsünün nasıl bağdaştırıldığı açıklanmamıştır.

Eğitim ve test bölünmesi

Toplam 7.023 görüntünün 5.712’si eğitim, 1.311’i test amacıyla ayrılmıştır. Bu dağılım yaklaşık %81 eğitim ve %19 test oranına karşılık gelmektedir.

Hibrit modeller için ayrıca %80 eğitim ve doğrulama, %20 test bölünmesi bildirilmektedir. Ancak bu bölünmenin 5.712–1.311 ayrımıyla aynı olup olmadığı, her modelde aynı rastgele örneklerin kullanılıp kullanılmadığı veya ayrı test kümeleri oluşturulup oluşturulmadığı belirtilmemiştir.

Veri bölünmesinin hasta düzeyinde mi yoksa görüntü düzeyinde mi yapıldığı da açıklanmamaktadır. Aynı hastaya ait birden fazla kesit veya benzer görüntü bulunması hâlinde, hasta bazlı olmayan bir bölünme eğitim ve test kümeleri arasında bilgi benzerliği oluşturabilir. Çalışma böyle bir olasılığın önlendiğine ilişkin hasta kimliği, grup bölünmesi veya tekrar görüntü denetimi sunmamıştır.

Ayrıca veri artırmanın test ayrımından önce mi yoksa sonra mı uygulandığı açık değildir. Güvenilir bir değerlendirmede artırılmış türevlerin yalnızca eğitim bölümünde oluşturulduğunun açık biçimde gösterilmesi gerekir.

EfficientNetB0 mimarisi

Çalışmada EfficientNetB0, yaklaşık 5,3 milyon parametreye ve yaklaşık 82 katmana sahip bir evrişimli sinir ağı olarak tanımlanmıştır. Ağın temel bileşenleri şunlardır:

• Başlangıç evrişim katmanı, toplu normalizasyon ve Swish etkinleştirmesinden oluşan kök blok
• Mobile Inverted Bottleneck Convolution blokları
• Derinlik yönünde ayrılabilir evrişimler
• Squeeze-and-Excitation blokları
• Artık bağlantılar
• Küresel ortalama havuzlama
• Son sınıf olasılıklarını üreten sınıflandırma katmanı

Derinlik yönünde ayrılabilir evrişim, standart bir evrişim işlemini kanal bazlı ve 1×1 noktasal evrişim aşamalarına ayırarak işlem sayısını azaltmayı amaçlamaktadır. Squeeze-and-Excitation blokları ise kanalların önemini öğrenerek yararlı özelliklerin ağırlığını artırmayı hedeflemektedir.

Transfer öğrenmesi ve ince ayar

Araştırmacılar ImageNet üzerinde önceden eğitilmiş EfficientNetB0 ağırlıklarını başlangıç noktası olarak kullanmıştır. Önceden eğitilmiş katmanlar daha sonra serbest bırakılmış ve MRI veri kümesi üzerinde yeniden ayarlanmıştır.

Kayıp fonksiyonu, öğrenme oranı zamanlayıcısı, erken durdurma ölçütü, ağırlık bozunması, rastgele başlangıç tohumu ve en iyi modelin hangi doğrulama ölçütüne göre seçildiği belirtilmemiştir.

Çalıştırma ortamı

Çalışmanın Google Colab Pro+ üzerinde 52 GB RAM ve V2-8 TPU kullanılarak yürütüldüğü belirtilmiştir. Python, Pandas, PyTorch ve Scikit-Learn kütüphaneleri kullanılmıştır. Buna karşılık Tablo 2’de çalıştırma ortamı “GPU” olarak yazılmıştır. TPU ve GPU ifadelerinin farklı deneylere mi ait olduğu açıklanmamıştır.

Python, PyTorch ve Scikit-Learn sürümleri; TPU kullanım yöntemi; modelin dağıtık mı yoksa tek aygıtla mı eğitildiği ve işlem sürelerinin donanım kullanımına nasıl bağlı olduğu verilmemiştir.

Hibrit model nasıl oluşturulmuştur?

Hibrit yaklaşımda ince ayarlanmış EfficientNetB0 modelinin son sınıflandırma katmanı kullanılmamış; küresel ortalama havuzlama çıkışından görüntü başına 9.216 özellikten oluştuğu bildirilen bir vektör çıkarılmıştır. Bu vektörler dört farklı makine öğrenmesi algoritmasına verilmiştir.

Özellik vektörünün kesin tensör biçimi, hangi katmandan alındığı, ölçeklendirilip ölçeklendirilmediği veya boyut indirgeme uygulanıp uygulanmadığı ayrıntılı olarak gösterilmemiştir. Çalışmada küresel ortalama havuzlama ile 9.216 özellik arasında bağlantıyı gösteren katman çıktısı veya kod parçası bulunmamaktadır.

Support Vector Machine

SVM, yüksek boyutlu özellik uzayında sınıflar arasında en uygun karar sınırını bulmaya çalışan denetimli bir sınıflandırıcıdır. Çalışmada en iyi genel sonuç SVM ile elde edilmiştir. Bununla birlikte doğrusal, polinom veya radyal tabanlı hangi çekirdeğin kullanıldığı; \(C\), \(\gamma\), sınıf ağırlıkları ve çok sınıflı karar stratejisi belirtilmemiştir.

K-Nearest Neighbours

KNN, yeni bir örneği özellik uzayındaki en yakın komşularının sınıflarına göre atamaktadır. Çalışmada ölçeklenebilirlik bakımından en kısa işlem sürelerini üretmiştir. Kullanılan komşu sayısı, uzaklık ölçütü, komşu ağırlıklandırması ve özelliklerin standartlaştırılması hakkında bilgi verilmemiştir.

Random Forest

Random Forest, farklı veri ve özellik alt kümeleriyle eğitilen çok sayıda karar ağacının çoğunluk oyuna dayanmaktadır. İncelenen modeller içinde en düşük ana doğruluk bu modelde görülmüştür. Ağaç sayısı, azami derinlik, bölünme ölçütü ve her düğümde kullanılan özellik sayısı bildirilmemiştir.

Multilayer Perceptron

MLP, bir veya daha fazla gizli katmandan oluşan ileri beslemeli sinir ağıdır. Ölçeklenebilirlik tablosunda en yüksek işlem sürelerini MLP üretmiştir. Gizli katman sayıları, nöron sayıları, etkinleştirme fonksiyonları, düzenlileştirme, optimizasyon yöntemi ve eğitim dönemi verilmemiştir.

Değerlendirme ölçütleri

Çalışmada doğruluk, duyarlılık ve özgüllük kullanılmıştır. Metinde doğruluk denklemi şu biçimde basılmıştır:

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

Bu denklemde paydadaki \(TB\) tanımlanmamıştır. Takip eden açıklamada \(TP\), \(TN\), \(FP\) ve \(FN\) tanımlandığı için \(TB\) ifadesi olası bir yazım hatasıdır. Standart biçimde toplam örnek sayısını temsil eden payda:

\[ TP+TN+FP+FN \]

olmalıdır. Ancak 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 sınıflı problemde duyarlılık ve özgüllüğün makro ortalama, ağırlıklı ortalama veya bire karşı diğerleri yöntemiyle mi hesaplandığı açıklanmamıştır.

Çalışmada kesinlik, F1 puanı, alıcı işletim karakteristiği eğrisi, eğri altındaki alan, tahmin olasılığı kalibrasyonu veya karar eşiği analizi sunulmamıştır.

Genel model sonuçları

Ana tabloya göre SVM hibriti, bağımsız EfficientNetB0’dan yalnızca bir yüzde puanı daha yüksek doğruluk üretmiştir. Duyarlılık ve özgüllük değerleri iki modelde aynıdır. Bu nedenle bildirilen iyileşme esas olarak toplam doğru sınıflandırma oranındaki küçük farkla sınırlıdır.

SVM özgüllüğü ana tabloda %99 olarak gösterilmiştir. Tablo altındaki not, başka bir tabloda %100 değeri bulunduğunu söylemektedir; ancak atıf verilen Tablo 2 model mimarisi ve eğitim parametrelerini içermekte, özgüllük sonucu içermemektedir.

Sınıf bazlı sonuçlar

Bu tabloya göre bağımsız EfficientNetB0, glioma ve hipofiz tümöründe SVM hibritinden daha yüksek; SVM hibriti ise meningioma ve tümör bulunmayan görüntülerde biraz daha yüksek sonuç üretmiştir.

Bununla birlikte özet ve sonuç açıklamalarında SVM için meningioma %93, tümör yok %99 ve hipofiz tümörü %98 değerleri verilmiştir. Tablo 5’te tümör yok ve hipofiz tümörü için %97 yazmaktadır. Hangi değerlerin nihai sonuç olduğu açık değildir.

Tabloda kullanılan “sınıf doğruluğu” ölçütünün her sınıfın duyarlılığı mı, sınıf içi doğru tahmin oranı mı veya karışıklık matrisinden başka bir yöntemle hesaplanan değer mi olduğu tanımlanmamıştır.

Karışıklık matrisleri

Araştırmacılar her model için karışıklık matrisi oluşturulduğunu belirtmektedir. Ancak incelenen 18 sayfalık sürümde bu matrislerin sayısal tabloları veya görselleri bulunmamaktadır. Bu nedenle gliomaların hangi sınıfla, meningiomaların hangi sınıfla daha sık karıştırıldığı doğrudan değerlendirilememektedir.

Karışıklık matrislerinin bulunmaması, özellikle tıbbi sınıflandırmada önemli olan yanlış negatif ve yanlış pozitif hataların sınıf bazında incelenmesini engellemektedir.

Ölçeklenebilirlik değerlendirmesi

Hibrit modeller 1.311, 3.200, 4.000 ve 6.000 görüntüden oluşan dört test turunda değerlendirilmiştir. Çalışma doğruluk, toplam işlem süresi, görüntü başına ortalama süre, hata payı ve %95 güven aralıklarını bildirmiştir.

SVC, 6.000 görüntüde 0,9580 ile en yüksek doğruluğu korumuştur. Bu sonucun %95 güven aralığı 0,9529–0,9631 olarak verilmiştir. KNN en düşük işlem sürelerini üretirken 6.000 görüntüde doğruluğu 0,9327’ye düşmüştür. MLP doğruluğu yüksek kalmasına rağmen 2.166 saniyeyi aşan işlem süresiyle en maliyetli model olmuştur. Random Forest hem doğruluk bakımından daha düşük kalmış hem de veri büyüdükçe daha belirgin performans kaybı göstermiştir.

Ölçeklenebilirlik sonuçlarındaki uyumsuzluk

Ana performans tablosunda KNN doğruluğu %93, MLP %94, Random Forest %88 ve SVM %96 olarak verilmiştir. Ölçeklenebilirlik tablosunun 1.311 görüntülü ilk turunda ise aynı modeller sırasıyla %96,42, %95,65, %93,70 ve %97,93 doğruluk üretmektedir.

Aynı büyüklükte olduğu görünen 1.311 görüntülük test kümesinde bu kadar farklı sonuçların neden oluştuğu açıklanmamıştır. Farklı eğitim kümeleri, farklı rastgele bölünmeler veya ayrı deney koşulları kullanılmış olabilir; ancak çalışma bunu belirtmemektedir.

Tartışma bölümünde ilk SVM turu “1.911 görüntüde 0,9797” olarak anlatılmıştır. Tablo 6’da ise “1.311 görüntüde 0,9793” yazmaktadır. Bu nedenle ölçeklenebilirlik sonuçları yorumlanırken tablo değerlerinin metinle tam olarak uyuşmadığı dikkate alınmalıdır.

Hesaplama maliyeti iddiası

Çalışma, hibrit yaklaşımın son sınıflandırma aşamasında daha düşük hesaplama maliyeti ve daha kısa eğitim süresi sağlayabileceğini ileri sürmektedir. Bu yaklaşımda EfficientNetB0 bir kez özellik çıkarıcı olarak kullanıldıktan sonra geleneksel sınıflandırıcılar özellik vektörleri üzerinde çalışmaktadır.

Ancak bildirilen işlem sürelerinin EfficientNetB0 özellik çıkarma aşamasını içerip içermediği açık değildir. Bağımsız EfficientNetB0 modelinin eğitim süresi, test süresi, örnek başına çıkarım süresi, enerji tüketimi veya bellek kullanımı da aynı tabloda verilmemiştir.

Bu nedenle “hibrit model bağımsız derin öğrenme modelinden daha az hesaplama gerektirir” sonucunun nicel büyüklüğü mevcut verilerden hesaplanamamaktadır. Tablo yalnızca hibrit sınıflandırıcıların kendi aralarındaki süre farklarını göstermektedir.

Çalışmanın güçlü yönleri

• Toplam 7.023 görüntüden oluşan ve üç açık kaynağı birleştiren görece büyük bir görüntü havuzu kullanılmıştır.
• Üç tümör sınıfı ile tümör bulunmayan görüntüler aynı dört sınıflı problem içinde değerlendirilmiştir.
• Bağımsız EfficientNetB0 modeli ile dört hibrit mimari doğrudan karşılaştırılmıştır.
• Transfer öğrenmesi ve veri artırma sınırlı tıbbi görüntü verisi sorununa karşı birlikte kullanılmıştır.
• Genel doğruluk yanında duyarlılık ve özgüllük bildirilmiştir.
• Farklı veri büyüklüklerinde işlem süresi ve güven aralığı analizi yapılmıştır.
• Açık veri kaynakları ve etik kurul referansı verilmiştir.
• Çalışma kendi dış doğrulama, MRI sekans farklılığı ve açıklanabilirlik sınırlılıklarını açıkça kabul etmiştir.

Çalışmanın sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Veri artırma sonrasındaki sınıf sayıları toplam eğitim sayısıyla uyuşmamaktadır.
• Ana model ve hibrit modeller için verilen veri bölünme oranları tam olarak aynı değildir.
• Hasta düzeyinde bölünme yapılıp yapılmadığı belirtilmemiştir.
• Veri artırmanın test ayrımından sonra uygulandığı gösterilmemiştir.
• Farklı açık veri kümelerinin görüntü formatı, MRI sekansı ve hasta özellikleri tam olarak belgelenmemiştir.
• Aynı kurum veya cihazdan gelen görsel işaretlerin model tarafından öğrenilip öğrenilmediği değerlendirilmemiştir.
• SVM, KNN, Random Forest ve MLP hiperparametreleri verilmemiştir.
• Kayıp fonksiyonu, erken durdurma, model seçimi ve rastgele başlangıç ayarları açıklanmamıştır.
• Karışıklık matrisleri metinde anılmasına rağmen sunulmamıştır.
• Ana sonuçlar için çapraz doğrulama veya tekrarlı deneyler raporlanmamıştır.
• Farklı tablolardaki doğruluk değerleri birbiriyle uyuşmamaktadır.
• Sınıf bazlı SVM değerleri özet, açıklama ve tablo arasında değişmektedir.
• Bağımsız dış hastane veri kümesiyle doğrulama yapılmamıştır.
• İleriye dönük klinik çalışma veya radyolog karşılaştırması bulunmamaktadır.
• Model kararlarını açıklayan ısı haritası, saliency veya başka bir XAI çıktısı sunulmamıştır.
• Modelin olasılık kalibrasyonu ve klinik karar eşikleri değerlendirilmemiştir.
• Kaynak kodu, eğitim yapılandırması ve model ağırlıkları için açık depo bağlantısı verilmemiştir.

Çalışmanın desteklediği sonuçlar

• EfficientNetB0, kullanılan test düzeninde dört görüntü sınıfını yüksek genel doğrulukla ayırabilmiştir.
• Ana performans tablosunda EfficientNetB0+SVM hibriti en yüksek genel doğruluğu üretmiştir.
• SVM hibriti bağımsız EfficientNetB0’a göre yaklaşık bir yüzde puanı daha yüksek doğruluk göstermiştir.
• Random Forest, ana sonuçlarda diğer hibrit sınıflandırıcılardan daha düşük performans göstermiştir.
• KNN, ölçeklenebilirlik tablosunda en kısa işlem sürelerini üretmiştir.
• SVC, 6.000 görüntülü ölçeklenebilirlik deneyinde en yüksek doğruluğu korumuştur.
• Örnek sayısı arttıkça bildirilen hata payları azalmış ve güven aralıkları daralmıştır.

Çalışmanın kanıtlamadığı sonuçlar

• Model beyin kanserinin evresini sınıflandırmamaktadır.
• Model tümörün iyi veya kötü huylu olduğunu kesin olarak belirlememektedir.
• Model tümör derecesini, moleküler alt tipini veya tedavi seçimini tahmin etmemektedir.
• Çalışma gerçek anlamda erken evre hastalık tespiti yapmamaktadır.
• Model tümör bölgesini segmentlere ayırmamakta veya hacmini ölçmemektedir.
• %96 doğruluk bütün hastanelerde ve bütün MRI cihazlarında aynı performansın elde edileceğini göstermemektedir.
• Sonuçlar radyolog performansından üstünlük kanıtlamamaktadır.
• Model klinik tanının yerine geçebilecek bir tıbbi cihaz olarak doğrulanmamıştır.
• Yüksek görüntü düzeyi doğruluğu hasta düzeyinde aynı doğruluğun elde edileceğini kanıtlamamaktadır.
• Hibrit modelin toplam uçtan uca hesaplama maliyetinin bağımsız EfficientNetB0’dan düşük olduğu nicel olarak gösterilmemiştir.
• Çalışma model kullanımının hasta sağkalımını veya tedavi sonuçlarını iyileştirdiğini göstermemektedir.

Çalışmanın Yöntemi ve Bulguları

Sayısal iş akışı

1. Figshare, SARTAJ ve BR35H kaynaklarından 7.023 MRI görüntüsü birleştirilmiştir.
2. SARTAJ kaynağındaki glioma görüntülerinde belirlenen sınıflandırma sorunları nedeniyle glioma sınıfı Figshare görüntüleriyle değiştirilmiştir.
3. Görüntüler 512×512 pikselden 299×299 piksele yeniden boyutlandırılmıştır.
4. Parlaklık, kontrast ve piksel normalizasyonu uygulanmıştır.
5. Rastgele döndürme ve yatay çevirme ile veri artırma yapılmıştır.
6. 5.712 görüntü eğitim, 1.311 görüntü test için ayrılmıştır.
7. ImageNet üzerinde önceden eğitilmiş EfficientNetB0 katmanları MRI verisiyle ince ayarlanmıştır.
8. Bağımsız EfficientNetB0 modeli dört sınıflı uçtan uca sınıflandırıcı olarak değerlendirilmiştir.
9. EfficientNetB0’dan görüntü başına 9.216 özellik çıkarıldığı bildirilmiştir.
10. Bu özelliklerle SVM, KNN, Random Forest ve MLP modelleri eğitilmiştir.
11. Modeller doğruluk, duyarlılık ve özgüllükle karşılaştırılmıştır.
12. Hibrit modeller 1.311–6.000 görüntü aralığında ölçeklenebilirlik deneylerine alınmıştır.

Ana model yapılandırması

Model sıralaması

Model bazında yorum

EfficientNetB0: Bağımsız model %95 genel doğruluğa ulaşmıştır. Sınıf bazında en yüksek sonucu %98 ile hipofiz tümöründe, en düşük sonucu %92 ile meningiomada vermiştir.

EfficientNetB0+SVM: Ana tabloya göre %96 ile en yüksek genel doğruluğu sağlamıştır. Ancak sınıf bazlı değerler makalenin farklı bölümlerinde değişmektedir. Ölçeklenebilirlik tablosunda 1.311 görüntü için %97,93 değerinin verilmesi de ana tabloyla uyumlu değildir.

EfficientNetB0+MLP: Ana tabloda %94 doğruluk göstermiştir. Ölçeklenebilirlik deneyinde yüksek doğruluğunu büyük ölçüde korusa da 2.000 saniyeyi aşan süreleriyle en fazla hesaplama süresi gerektiren hibrit olmuştur.

EfficientNetB0+KNN: Ana tabloda %93 doğruluk üretmiştir. Veri büyüdükçe doğruluğu düşmüş, fakat işlem süresi bakımından diğer hibritlerden belirgin biçimde hızlı kalmıştır.

EfficientNetB0+Random Forest: Ana tabloda %88 doğrulukla en düşük sonucu vermiştir. Özellikle glioma ve meningioma sınıflarında diğer modellerden daha düşük değerler elde etmiştir.

Şekil 1’in verdiği bilgi

Çalışmadaki tek çok parçalı grafik KNN, MLP, Random Forest ve SVC modellerinin dört veri büyüklüğündeki doğruluklarını göstermektedir. Koyu çizgiler model doğruluğunu, açık çizgiler %95 güven aralığının alt ve üst sınırlarını temsil etmektedir.

Dört grafikte de veri büyüdükçe doğruluğun bir miktar azaldığı görülmektedir. Aynı zamanda örnek sayısının artmasıyla güven aralıkları daralmaktadır. SVC en yüksek doğruluk eğrisini, Random Forest ise en düşük eğriyi üretmiştir.

Grafikler model doğruluğunu göstermekte, ancak bağımsız EfficientNetB0 modeline ait karşılaştırmalı bir işlem süresi veya ölçeklenebilirlik eğrisi içermemektedir.

İstatistiksel değerlendirme sınırı

Ölçeklenebilirlik tablosunda binom oranlarına benzeyen hata payları ve %95 güven aralıkları verilmiştir. Ancak ana %95 ve %96 doğruluk sonuçları için aynı güven aralıkları sunulmamıştır. Modeller arasındaki bir yüzde puanlık farkın istatistiksel olarak anlamlı olup olmadığına ilişkin eşleştirilmiş test veya yeniden örnekleme analizi yapılmamıştır.

SVM ile bağımsız EfficientNetB0 aynı görüntüler üzerinde değerlendirilmiş olsa bile, yalnızca yuvarlatılmış doğruluk değerlerinden bir modelin diğerinden güvenilir biçimde üstün olduğu sonucuna varmak mümkün değildir. Bunun için örnek bazında hata dağılımları ve tekrarlı deneyler gerekir; çalışma bu bilgileri sunmamaktadır.

Genellenebilirlik değerlendirmesi

Veri üç açık kaynaktan birleştirilmiş olsa da dış doğrulama, eğitim sürecinde hiç kullanılmamış bağımsız bir hastane veri kümesiyle yapılmamıştır. Birleştirilen kaynakların farklı görüntü biçimleri, kontrastları, çözünürlükleri veya kenar boşlukları bulunabilir. Modelin tümör özellikleri yerine veri kaynağına özgü görsel ipuçlarını öğrenip öğrenmediği test edilmemiştir.

Çalışma, Figshare verilerinin T1 ağırlıklı kontrastlı görüntüler içerdiğini belirtmekte; bütün birleşik veri kümesindeki sekansların aynı olup olmadığı ise açıklanmamaktadır. T1, T2, FLAIR veya kontrastlı görüntülerin karışması hâlinde modelin gerçek klinik genellenebilirliği ayrıca değerlendirilmelidir.

Klinik kullanıma ilişkin değerlendirme

Araştırmacılar sistemi radyologlar ve nöro-onkologlar için ikinci görüş veya karar destek aracı olarak değerlendirmektedir. Ancak çalışmada uzman okuyucu deneyi, klinik iş akışı testi, tanı süresi karşılaştırması veya kullanıcı güveni analizi yapılmamıştır.

Model tahmini, histopatolojik inceleme veya klinik değerlendirme yerine geçmez. Glioma, meningioma ve hipofiz tümörü tanıları yalnızca tek bir iki boyutlu görüntü sınıflandırmasına dayanarak kesinleştirilemez. Mevcut araştırma, algoritmik performansın ilk teknik değerlendirmesi niteliğindedir.

Genel bilimsel değerlendirme

Çalışmanın temel bulgusu, EfficientNetB0’dan çıkarılan derin görüntü özelliklerinin SVM ile sınıflandırılmasının kullanılan veri düzeninde güçlü sonuç üretebildiğidir. SVM hibriti ana tabloda bağımsız modele göre küçük bir doğruluk artışı sağlamıştır.

Bununla birlikte sonuçların güvenilirliğini sınırlayan başlıca konu, farklı tabloların aynı modeller için farklı doğruluklar bildirmesidir. Veri artırma ve eğitim kümesi sayılarının uyuşmaması da deneyin yeniden üretilmesini zorlaştırmaktadır.

Çalışma klinik kullanıma hazır bir tanı sistemi göstermekten çok, EfficientNetB0 özellikleriyle farklı sınıflandırıcıların karşılaştırılmasına yönelik bir ön çalışma olarak değerlendirilmelidir. Yöntemin gerçek değeri; hasta bazlı bölünme, aynı test kümesi, eksiksiz hiperparametreler, açık kod, dış doğrulama ve ileriye dönük klinik testlerle yeniden sınandığında belirlenebilir.

Kaynak ve Yöntem Notu

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

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

Eş birinci yazar: Çalışmada eşit katkı veya eş birinci yazarlık beyanı bulunmamaktadır. Yazar adlarındaki yıldız işareti ortak kurum dipnotuna yönelmektedir.

Sorumlu yazar: Zoheir Sabeur. Çalışmada iletişim adresi zsabeur@bournemouth.ac.uk olarak verilmiştir.

Kurum: Bütün yazarlar için Bournemouth University, Poole, Dorset, BH15 5BB, United Kingdom bilgisi verilmiştir. Kurumun posta kodu çalışmada yazıldığı biçimde korunmuştur; bağımsız kurum kaydındaki farklı posta kodu sessizce metne aktarılmamıştır.

Yazar e-posta adresleri:

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

DOI: Çalışmanın PDF metninde açık bir DOI bilgisi yer almamaktadır ve DOI bağımsız olarak doğrulanamamıştır.

SSRN özet numarası: 7181697.

Kaynak türü: Tıbbi görüntü sınıflandırması, derin öğrenme ve makine öğrenmesi preprint araştırma makalesi.

Yayın platformu: SSRN.

Dergi: Hakemli bir dergi adı veya yayımlanmış dergi sürümü çalışmada belirtilmemiştir.

Yayınevi: Ayrı bir dergi yayınevi bilgisi yer almamaktadır.

Yıl: Dosya metadata bilgileri 2026 yılını göstermektedir; ana metinde ayrıca açık yayın tarihi verilmemiştir.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Her sayfada “Preprint not peer reviewed” uyarısı bulunmaktadır.

Resmî kayıt bağlantısı:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7181697

Etik değerlendirme: Çalışma Bournemouth University Ethics Board tarafından 66271 referans numarasıyla değerlendirilmiştir. Yalnızca geriye dönük, açık ve anonimleştirilmiş veri tabanları kullanıldığı için ayrıca hasta onamı gerekmediği belirtilmiştir.

Finansman: Araştırmacılar kamu, ticari veya kâr amacı gütmeyen finansman kuruluşlarından özel bir hibe alınmadığını bildirmiştir.

Çıkar çatışması: Yazarlar çalışmayı etkileyebilecek bilinen mali çıkar veya kişisel ilişki bulunmadığını beyan etmiştir.

Açık veri kaynakları:

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

Kod ve model kullanılabilirliği: Kaynak kodu, eğitim betikleri, eğitilmiş model ağırlıkları veya deney yapılandırmaları için açık depo bağlantısı verilmemiştir.

Yazar katkıları:

• Amirparsa Rouhi: Kavramsallaştırma, yöntem, yazılım, doğrulama, biçimsel analiz, araştırma ve gözden geçirme-düzenleme.
• Fatemeh Parsakordasiabi: Kavramsallaştırma, yöntem, yazılım, doğrulama, biçimsel analiz, araştırma, ilk taslak ve gözden geçirme-düzenleme.
• Timothy Albiges: Biçimsel analiz, görselleştirme, danışmanlık ve gözden geçirme-düzenleme.
• Zoheir Sabeur: Biçimsel analiz, danışmanlık ve gözden geçirme-düzenleme.

Bu Türkçe içerik, yüklenen 18 sayfalık çalışma baştan sona incelenerek hazırlanmıştır. Bilimsel yöntem, veri sayıları, model parametreleri, performans ölçümleri, tablolar, grafikler ve sınırlılıklar yalnızca çalışmada sunulan bilgilere dayanmaktadır. Dış kaynaklar yalnızca bibliyografik kurum ve yazar kimliği kontrolü amacıyla kullanılmıştır.

Çalışmada görülen sayısal ve editoryal uyumsuzluklar sessizce düzeltilmemiştir. Bunlar arasında 3.000 görüntü olarak bildirilen sınıf hedefleriyle 5.712 görüntülük eğitim kümesinin uyuşmaması, iki farklı veri bölünmesi, ana ve ölçeklenebilirlik tablolarındaki farklı doğruluk değerleri, SVM sınıf sonuçlarındaki değişiklikler, yanlış tablo atıfları, 1.311–1.911 görüntü uyuşmazlığı ve doğruluk denklemindeki tanımsız “TB” terimi bulunmaktadır.

Çalışmanın en önemli bilimsel sınırlılıkları; hasta bazlı veri bölünmesinin gösterilmemesi, bağımsız dış doğrulama bulunmaması, MRI sekanslarının bütün veri kümesinde standart olmaması, model hiperparametrelerinin eksikliği, açıklanabilirlik çıktılarının sunulmaması, karışıklık matrislerinin yayımlanmaması ve klinik değerlendirme yapılmamasıdır. Bildirilen %96 doğruluk, bu sınırlılıklar altında gerçekleştirilen görüntü düzeyi testin sonucudur ve klinik tanı başarısı olarak yorumlanmamalıdır.