Şeker, DelalKartal, Mustafa SaidYıldız, AbdulnasırÖksüz, İlkay2025-02-222025-02-2220241309-5501https://search.trdizin.gov.tr/tr/yayin/detay/1255542https://hdl.handle.net/11468/30225Günümüzde dijital patoloji, tümörlerin teşhisi ve tahminleme konusunda önemli bir rol oynamaktadır. Derin Öğrenme (DÖ) yöntemlerinin geniş ölçekli uygulamalarla başa çıkma yeteneği göz önüne alındığında, bu tür modeller, histopatolojik görüntülerde doku sınıflandırma için cazip bir çözüm olarak kullanılmaktadır. Bu çalışma, histopatolojik görüntülerden akciğer kanserinin otomatik sınıflandırması için doğru ve yorumlanabilir bir makine öğrenimi tekniği oluşturmayı amaçlamaktadır. Mevcut yöntemde Evrişimsel Sinir Ağları (ESA), Vision Transformer (ViT) ve EfficientNet-B1 mimarisi karşılaştırılarak LIME (Local Interpretable Model-agnostic Explanations) açıklanabilirlik metoduyla patoloji görüntüleri üzerinde kanser tespit sistemi önerilmiştir. ViT ve EfficientNet-B1 mimarisinin evrişim tabanlı ESA mimarisine göre f1-skoru, hassasiyet ve duyarlılık oranının daha başarılı sonuçlar verdiği gözlemlenmiştir. En yüksek başarım oranına ViT mimarisi ile yaklaşılmış olup en ayrıntılı LIME sonuçlarına ise EfficientNet-B1 mimarisi ile ulaşılmıştır.trinfo:eu-repo/semantics/openAccessHistopatolojiEvrişimsel Sinir AğlarıAçıklanabilir Yapay ZekaVision TransformerEfficientNet-B1Article14259691255542