Bazı tıbbi görüntülerin kuantum teknolojik yöntemler ile analizi

Abstract

Son yıllarda yapay zekâ ve makine öğrenmesi uygulamaları günlük hayatımızda yaygın olarak karşımıza çıkmakta ve hayatımızı kolaylaştırmaktadır. Özellikle veri analizi, istatistiksel optimizasyon ve karar verme süreçlerinde büyük kolaylık sağlarlar. Benzer şekilde tıp alanında da veri analizi ve hastalıkların teşhisinde kullanılmıştır. Tıbbi görüntüleme cihazları ile teşhis konulabilmekte ve vücuttaki anormal yapılar tespit edilebilmektedir. Akciğer kanserinde kitlenin yeri ve boyutu bilgisayarlı tomografi ile kolaylıkla belirlenebilir. Bununla birlikte çalışmada kullandığımız makine öğrenmesiyle uzmanlar, görüntüden lezyonlu bölgeyi çok kısa sürede teşhis ve analiz etmek ve hata olasılığını azaltmak için kullanabilir. Kullandığımız hibrit çalışma modellerinden kuantum çekirdek ve kuantum sinir ağı modelleri iki farklı veri seti üzerinde eğitilip test eğitilerek doğruluk, kesinlik, duyarlılık, özgüllük ve F1- puanları metrikleriyle ölçülmüştür. Ayrıca her iki model de 5-Fold çapraz doğrulama ile eğitilmiştir. Elde edilen değerler kuantum çekirdek ve kuantum sinir ağı modelleri performans sonuçlarına göre karşılaştırılmıştır. Her iki veri setinden çıkan sonuçlara göre kuantum çekirdek yönteminin bu çalışma için daha kullanışlı olduğu görülmüştür. Bu nedenle, bu çalışmanın akciğer kanserinde bilgisayarlı tomografi görüntüleri üzerinde makine öğrenmesi yöntemleriyle yapılacak farklı çalışmalara rehberlik edecek bir kaynak olması amaçlanmıştır.

In recent years, artificial intelligence and machine learning applications have been widely encountered in our daily lives and have made our lives easier. They provide great convenience particularly in data analysis, statistical optimisation, and decision-making processes. Similarly, they have been used in medical field for data analysis and diagnosis of diseases. Diagnosis can be made and abnormal structures in the body can be detected with the help of medical imaging devices. The location and size of the mass in lung cancer can be easily determined by computed tomography. In addition to this, with the machine learning we used in the study, experts can diagnose and analyse the lesioned area in a very short time; hence reduce the possibility of an error. Among the hybrid working models we used, quantum core and quantum neural network models were trained on two different data sets and tested, and measured with metrics of accuracy, precision, sensitivity, specificity and F1- scores. In addition, both models were trained with 5-Fold cross validation. The values obtained were compared according to the performance results of the quantum core and quantum neural network models. According to the results from both data sets, it has been concluded that the quantum kernel method is more useful for this study. For this reason, this study is aimed to be a source that will guide different studies that will done on computed tomography images in lung cancer with machine learning methods.