SHAP ve LRP Analizlerinden Elde Edilen İçgörülerle CNN Modelleri Aracılığıyla Cilt Hastalığı Sınıflandırma Doğruluğunun Artırılması

Authors : Cem Özkurt

Pages : 63-78

View : 39 | Download : 46

Publication Date : 2024-06-30

Article Type : Research

Abstract :Bu çalışma, HAM10000 veri kümesini ve evrişimli sinir ağı (CNN) modellerini kullanarak cilt hastalığı sınıflandırmasını derinlemesine incelemektedir. Titiz veri hazırlığı ve kapsamlı model eğitimi yoluyla, normal ve hastalıklı cilt koşulları arasındaki ayrımı yüksek doğrulukla başarıyoruz. SHAP modelini kullanmak, CNN modelinin karar verme sürecine dair değerli içgörüler sunarak tahmin yorumlanabilirliğini artırır. Çalışmamız, bireyler arasında normal ve hasta olanlar arasında ayırma konusunda umut verici doğruluk sergilemektedir. 5000 kişiden 4274\'ü doğru şekilde normal olarak sınıflandırılırken, 5015 kişiden 2962\'si doğru şekilde hastalıklı olarak tanımlanmıştır. Ancak, modelimiz önemli hatalar göstermektedir, özellikle 726 normal kişiyi hasta olarak yanlış sınıflandırır ve yanlış negatifleri azaltmada iyileştirme alanları sunar. SHAP ve LRP analizlerini kullanarak, ortalama değerlerinin sırasıyla 2.11251442x10-5 ve yaklaşık olarak 0.032795×10-5 olduğunu gözlemledik, bu da özellik önemini ve model davranışını anlamada değerli içgörüler sağlar. Bu bulgular, tıbbi uygulamalarda tanı doğruluğunu artırma ve yanlış sınıflandırmaları azaltma potansiyelini vurgular. Karışıklık matrisleri ve SHAP ve LRP modellerinden elde edilen çıktılar da dahil olmak üzere çeşitli görsel temsiller kullanarak, CNN modelinin güçlü yanları ve sınırlamaları hakkında kapsamlı perspektifler sunuyoruz ve genel performansı artırmayı amaçlayan potansiyel iyileştirmelere rehberlik ediyoruz. Normal ve hastalıklı bireyler arasında dengeli sınıflandırma sağlamamıza rağmen, yanlış sınıflandırmaları azaltmak ve genel doğruluğu artırmak için daha fazla geliştirme gerekmektedir. SHAP ve LRP çıktılarının derinlemesine sayısal analizi, SHAP\'ın LRP\'den daha detaylı bir analiz sunduğunu ortaya koymaktadır, bu da onu bu bağlamda tercih edilen metodoloji olarak konumlandırır. Bu araştırma, yapay zeka destekli cilt hastalığı teşhisi alanındaki ilerlemeye önemli katkıda bulunmaktadır ve özellikle dermatoloji uygulamalarında CNN modellerinin sağlık uygulamalarındaki potansiyelini vurgular. Gelecekteki çalışmaların, klinik karar verme sürecini güçlendirmeye odaklanması ve böylece dermatolojik uygulamalarda hastaların sonuçlarını ilerletmesi gerekmektedir.
Keywords : SHAP, Dermatoloji, Layerwise Relevance Propagation (LRP), Açıklanabilir YZ, CNN