Özet
Arka Plan:
Ekzema ve uyuz, örtüşen klinik ve görsel özellikleri nedeniyle sıkça yanlış teşhis edilir; bu durum, dermatologlara erişimin sınırlı olduğu kaynakların kısıtlı olduğu ortamlarda daha da karmaşık hale gelir. Tedavi stratejileri önemli ölçüde farklılık gösterdiğinden, doğru ayrım yapmak esastır. Ekzema ve uyuzu ayırt etmek için çok bölgeli dermatoloji veri kümelerinden toplanan görüntüler kullanılarak bir derin öğrenme çerçevesi değerlendirildi.
Materyaller ve yöntemler:
Üç coğrafi olarak farklı kaynaktan dermatologlar tarafından etiketlenmiş bir veri kümesi oluşturuldu: DermNet (Batı popülasyonu), PASSION MICCAI 2024 (Afrika popülasyonu) ve DermaCon-IN (Hindistan popülasyonu). Bu veri kümesi 2.555 eğitim görüntüsü ve 269 görüntüden oluşan tek bir ayrılmış doğrulama kümesi içeriyordu. Bu ayrılmış doğrulama kümesi hem model kontrol noktası seçiminde hem de nihai performans raporlamasında kullanıldı; model seçiminden ayrılmış bağımsız bir test kümesi oluşturulmadı. ResNet-50, ConvNeXt-Tiny, EfficientNet-B0, Vision Transformer (ViT-B/16) ve Data-Efficient Image Transformer (DeiT) olmak üzere beş son teknoloji derin öğrenme mimarisi ikili sınıflandırma için ince ayarlandı. Eğitim sırasında, görüntü değişkenliğini artırmak ve aşırı uyumu önlemek için veri artırma kullanıldı. Model performansı doğruluk, kesinlik, duyarlılık, F1 skoru ve doğrulama kaybı kullanılarak değerlendirildi. Her mimari, tekrarlanan tohumlar, güven aralıkları veya resmi istatistiksel anlamlılık testleri olmaksızın tek bir çalışmada eğitildi; bu nedenle çalışma, mimariler arasında istatistiksel çıkarım yapmak üzere tasarlanmamış veya yeterli güce sahip değildir ve tüm karşılaştırmalı sonuçlar betimsel olarak yorumlanmalıdır. Modelin karar verme sürecini yorumlamak için Grad-CAM++ kullanıldı.
Sonuçlar:
Ortak bir protokol kullanılarak gerçekleştirilen bu tek çalışmalı, betimsel karşılaştırmada beş konfigürasyon %92,94 ile %96,65 arasında doğruluk elde etti; ResNet-50 ise %96,65 doğruluk ve ağırlıklı F1 skoru elde etti. Bu değerler, kontrol noktası seçimi için kullanılan aynı ayrılmış doğrulama kümesinde elde edildiğinden, iyimser bir yanlılığa sahiptir ve genelleme performansının bağımsız tahminleri olarak kabul edilemez.
Sonuç:
Mevcut deneysel kurulumda, değerlendirilen beş mimarinin tümü, birleştirilmiş çok kaynaklı veri kümesinde ekzema ile uyuzu ayırt etmede, ortak bir protokol altında ön bir tek çalışmalı gözlem olarak iyi betimsel performans gösterdi. Ancak, sonuçların diğer klinik popülasyonlara genelleştirilebilmesi için dışarıdan doğrulanması ve değerlendirmenin cilt tonlarına göre katmanlandırılarak yapılması gerekmektedir. Açıklanabilir yapay zekanın entegrasyonu, klinik yorumlanabilirliği sağlayarak otomatik tanı araçlarına olan güveni artırır. Gelecekteki çalışmalar veri kümesinin çeşitliliğini genişletmeli, prospektif klinik doğrulamayı içermeli ve pratik uygulanabilirliği artırmak için gelişmiş açıklanabilirlik tekniklerini araştırmalıdır.
1 Giriş
Ekzema ve uyuz, dünya çapında en yaygın dermatolojik hastalıklardan bazılarıdır ve yüksek insidansları (, ), örtüşen klinik sunumları ve kalıcı tanısal zorlukları nedeniyle sağlık sistemleri üzerinde önemli bir yük oluştururlar. Atopik dermatit olarak da bilinen ekzema, eritem, pruritus, kseroz ve likenifikasyon ile karakterize kronik inflamatuar bir cilt hastalığıdır ve genellikle immün düzenleme bozukluğu ve çevresel tetikleyicilerle ilişkilidir. Buna karşılık, uyuz Sarcoptes scabiei tarafından neden olan son derece bulaşıcı bir parazitik cilt hastalığıdır ve tipik olarak şiddetli kaşıntı, eritematöz papüller, tüneller ve sık ikincil bakteriyel enfeksiyonlarla kendini gösterir (). Bu klinik örtüşme sıklıkla tanısal belirsizliğe yol açar. Bu iki hastalık arasında doğru ayrım yapmak kritik öneme sahiptir, çünkü yönetim stratejileri önemli ölçüde farklılık gösterir: ekzema genellikle anti-inflamatuar ve immünomodülatör tedaviler gerektirirken, uyuz hedefli anti-parazitik tedavi gerektirir. Yanlış tanı, etkisiz tedaviye, gereksiz ilaç maruziyetine, semptomların gecikmiş çözülmesine ve uyuz durumunda topluluk içinde bulaşmanın devam etmesine neden olabilir. Bu zorluklar, dermoskopi ve cilt kazıması gibi geleneksel tanı yöntemlerinin dermatoloji uzmanlarına sınırlı erişim, prosedürlerin karmaşıklığı ve altyapı kısıtlamaları nedeniyle kısıtlandığı kaynakların kısıtlı olduğu ortamlarda daha da artar. Sonuç olarak, yalnızca görsel değerlendirmeye dayanmak genellikle gecikmiş tanıya ve uygunsuz tedavi kararlarına yol açar (, , ).
Son yıllarda, yapay zeka (YZ) ve derin öğrenme, dermatolojide umut verici araçlar olarak ortaya çıkmış olup, artan doğruluk, gözlemciler arası değişkenlikte azalma ve geliştirilmiş klinik kullanılabilirlik ile otomatik görüntü tabanlı tanı desteği sunmaktadır (). Özellikle evrişimli sinir ağları (CNN’ler) olan derin öğrenme, doğal görüntülerden hiyerarşik özellik çıkarımını mümkün kılar ve bu da geleneksel olarak dermatolojik görüntü analizine hakim olmuştur (). Ancak, önceki çalışmaların çoğu ağırlıklı olarak Batı merkezli veri kümeleriyle yürütülmüş ve çeşitli cilt tonlarının ve popülasyonların yeterli temsilinden yoksun kalmıştır; bu da adalet, genelleme ve klinik uygulanabilirlik konusunda endişeleri gündeme getirmiştir (). Gerçekten de, birkaç çalışma, ağırlıklı olarak daha açık tenli veri kümeleriyle eğitilen modellerin genellikle daha koyu cilt tonlarında ve yeterince temsil edilmeyen kategorilerde daha düşük performans gösterdiğini ortaya koymuş, bu da daha çeşitli veri kümelerine duyulan ihtiyacı vurgulamıştır (, ).
Bu çalışmada, ekzema ve uyuzu ayırt etmek için çeşitli önceden eğitilmiş derin öğrenme mimarileri test edilmekte ve aynı zamanda modeller hakkında nitel bilgiler edinmek için Grad-CAM++ kullanılmaktadır. Çalışma, birkaç bölgeden görüntüler ekleyerek veri kümesinin heterojenliğini artıracak ve birleştirilmiş veri kümesi üzerinde modelin performansını değerlendirecektir. Ancak, coğrafi kaynak çeşitliliği, cilt tonu grupları içinde veya aralarında sağlamlık veya adalet olduğunu göstermez. Model tahminlerinin klinik olarak anlamlı görüntü bölgelerinden kaynaklandığından emin olmak için, özellik atfı analizi Grad-CAM++ görsel açıklamaları kullanılarak gerçekleştirilir. Heterojen veri kümelerini entegre ederek, mimarilerin ön bir tek çalışmalı karşılaştırmasını yaparak ve açıklanabilir YZ tekniklerini dahil ederek, bu çalışma dermatolojik uygulamalar için güvenilir ve pratik YZ destekli tanı araçlarının geliştirilmesini ilerletmeyi amaçlamaktadır.
Temel Bulgular ve Genel Değerlendirme
Beyanlar
Üretken YZ beyanı
Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanıldığını beyan etmiştir. Bu çalışmanın hazırlanması sırasında yazar(lar), dili ve okunabilirliği iyileştirmek için ChatGPT’yi kullanmıştır. Bu aracı kullandıktan sonra yazar(lar), içeriği gerektiği gibi gözden geçirmiş ve düzenlemiş olup, yayımlanan makalenin içeriğinden tam sorumluluğu üstlenmektedir.
Bu makaledeki şekillerin yanında sağlanan herhangi bir alternatif metin (alt metin), Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur ve yazarlar tarafından mümkün olduğunda gözden geçirilerek doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz, lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin ve hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.
Özet
Anahtar Kelimeler
bilgisayarlı görme, ekzema, açıklanabilir YZ, görüntü sınıflandırması, uyuz
Atıf
Ahmed M, Aabidin ZU, Khan SS, Junaid M, Khan R, Yousaf M, Khan J, Hussain D ve Hyeon Gu Y (2026) Ekzema ve uyuzun sınıflandırılması için çok bölgeli bir dermatolojik görüntü veri kümesi kullanılarak açıklanabilir bir derin öğrenme çerçevesi. Front. Med. 13:1910115. doi: 10.3389/fmed.2026.1910115
Alındı
15 Haziran 2026
Revize edildi
14 Ekim 2026
Kabul edildi
21 Ekim 2026
Yayınlandı
17 Kasım 2026
Cilt
13 – 2026
Arvind Mukundan, Sanjivani Üniversitesi, Hindistan
Mohamed S. Elhadidy, Horus Üniversitesi, Mısır
Md. Moradul Siddique, Bilgi Teknolojileri ve Bilimler Üniversitesi, Bangladeş
Kpetchehoue Merveille Santi Zinsou, Gaston Berger Üniversitesi, Senegal
© 2026 Ahmed, Aabidin, Khan, Junaid, Khan, Yousaf, Khan, Hussain ve Hyeon Gu.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları uyarınca dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri) belirtilip bu dergideki orijinal yayına kabul görmüş akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilmektedir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
*Yazışma: Jawad Khan jkhanbk1@gachon.ac.kr; Yeong Hyeon Gu yhgu@sejong.ac.kr
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

