Google Cloud Vertex AI ile Kodsuz Glokom Sınıflandırma Araştırması
Retina fotoğrafları kullanılarak glokom tespiti için kod gerektirmeyen otomatize yapay zeka platformunun başarısı test edildi.
Yapılan yeni bir konsept kanıtı çalışmasında, retina fundus fotoğrafları yardımıyla sevk gerektiren glokom vakalarını ayırt etmek için Google Cloud Vertex AI AutoML platformunun performansı değerlendirildi.
Araştırmanın Amacı ve Kapsamı
Geleneksel derin öğrenme modelleri genellikle programlama uzmanlığı ve özel sinir ağı mimarisi bilgisi gerektirir. Bu araştırma, ticari ve kod gerektirmeyen bir yapay zeka platformunun bu süreci nasıl kolaylaştırabileceğini inceledi.
Kullanılan Veri Seti ve Dağılımı
Çalışmada, halka açık dengeli bir retina fundus görüntü veri setinden yararlanıldı. Her iki sınıftan eşit sayıda olmak üzere toplam 9.540 renkli fundus fotoğrafı kullanıldı.
Görüntüler eğitim, doğrulama ve test olmak üzere farklı bölümlere ayrılarak modelin geliştirilmesine ve test edilmesine olanak sağladı.
Modelin Geliştirilme Süreci
Araştırmacılar herhangi bir kod yazmadan veya manuel sinir ağı mimarisi tasarlamadan, platformun grafik arayüzünü kullanarak model geliştirdiler.
Model eğitimi sırasında sekiz saatlik bir maksimum hesaplama bütçesi tercih edildi ve süreç bulut tabanlı bir tahmin uç noktasıyla tamamlandı.
Elde Edilen Performans Sonuçları
Geliştirilen AutoML modeli genel olarak 0.974 oranında ortalama hassasiyet elde etmeyi başardı. Varsayılan güven eşiğinde ise hassasiyet ve geri çağırım değerleri yüzde 92.5 olarak kaydedildi.
Model, sevk gerektirmeyen görüntülerin yüzde 94'ünü ve sevk gerektirenlerin yüzde 91'ini doğru bir şekilde sınıflandırdı.
Gelecek Çalışmalar ve Gereksinimler
Elde edilen bulgular, ticari yapay zeka araçlarının ophtalmik görüntü sınıflandırma araştırmalarında erişilebilir birer araç olabileceğini desteklemektedir.
Ancak model tek bir türetilmiş veri setiyle değerlendirildiği için, klinik uygulamaya geçilmeden önce bağımsız popülasyonlar ve farklı sistemlerle doğrulanması gerekmektedir.