Seçil SOYLU, Rimsha SHAHID
Batı Karadeniz Tıp Dergisi - 2026;10(2):347-363
Amaç: Dermoskopi melanositik lezyonların ve melanomun tanısında tanı doğruluğunu artırmış olsa da gözlemciler arası tutarlılık hâlâ bir sorun olarak kalmaktadır. Bu çalışma, yalnızca görüntü tabanlı bir standart sınıflandırma senaryosunda, yapay zekâ (YZ) modelinin klinik ve dermoskopik görüntüler kullanarak yedi sınıflı deri lezyonu sınıflandırmasında (melanom, bazal hücreli karsinom, aktinik keratoz/intraepitelyal karsinom (AKIEC) ve çeşitli benign lezyonlar) dermatologları destekleme potansiyelini değerlendirmektedir. Amaç, yapay zekânın dermatologların yerini alması değil, standart görüntü sınıflandırma performansı açısından karar destek aracı olarak katkısının araştırılmasıdır. Gereç ve Yöntemler: Çalışmada, ISIC Arşivi ve HAM10000 veri setlerinden elde edilen 25.000'den fazla klinik ve dermoskopik görüntü kullanılmıştır. Dört farklı konvolüsyonel sinir ağı mimarisinden (ResNet-50, VGG-16, InceptionV3, ve EfficientNet-B4) oluşan ensemble derin öğrenme modeli, ağırlıklı oylama yöntemi ile entegre edilmiştir. Dermatologlar yalnızca görüntü üzerinden değerlendirme yapmış; hasta yaşı, cinsiyeti, Fitzpatrick deri tipi, lezyon lokalizasyonu, süresi, semptomlar ve palpasyon bulguları gibi klinik bilgiler kendilerine sunulmamıştır. Bu nedenle karşılaştırma, gerçek klinik tanı sürecini değil, standart görüntü sınıflandırma performansını yansıtmaktadır. Model performansı, aynı görüntü kümesi üzerinde dermatoloji uzmanlarının değerlendirmeleri ile karşılaştırılmış; duyarlılık ve özgüllük başta olmak üzere temel tanısal performans ölçütleri analiz edilmiştir. Bulgular: Yapay zekâ ensemble modelinin yedi sınıflı genel doğruluğu %94,2, genel duyarlılığı %93,8 (%95 GA: 91,4-95,7) ve genel özgüllüğü %94,5 (%95 GA: 92,3-96,2) olarak bulunmuştur. Melanom sınıfına özgü duyarlılık ise %94,1 olarak saptanmıştır. Sadece görüntü tabanlı bu değerlendirmede, on iki dermatoloğun ortalama doğruluğu %88,5 (%95 GA: 86,1-90,9) olarak saptanmıştır. Ensemble yaklaşımının, tekil modellerin performansına kıyasla daha yüksek doğruluk sağladığı görülmüştür. Grad-CAM görselleştirme teknikleri ile modelin karar odaklarının dermatolojik olarak yorumlanabilir olduğu gösterilmiştir. Sonuç: Bu çalışmanın sonuçları, yapay zekânın dermatologlardan üstün olduğu şeklinde değil, klinik bilgi ve fizik muayeneden bağımsız, standardize görüntü sınıflandırma senaryosundaki karşılaştırmalı performansı olarak yorumlanmalıdır. Yapay zekâ destekli sistemler; erken tanının desteklenmesi, yüksek hasta yükü bulunan merkezlerde triyajın optimize edilmesi ve teledermatoloji uygulamalarında karar desteği sağlanması açısından değerli olabilir. Klinik uzmanlığın yerini almak yerine tamamlayıcı bir araç olarak konumlandırılmalıdır.
