GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 17 Kasım 2026 · Bağımsız Editoryal Ağ
Klinik Rehber

Modern Derin Öğrenme Mimarilerinin Çok Sınıflı Oral Histopatoloji Uygulamalarında Geniş Ölçekli Değerlendirmesi: Doğruluk, Verimlilik ve İstatistiksel Güvenilirlik

✍️ Editör Masası • 📅 16 Kasım 2026 • ⏱️ 7 dk okuma
Modern Derin Öğrenme Mimarilerinin Çok Sınıflı Oral Histopatoloji Uygulamalarında Geniş Ölçekli Değerlendirmesi: Doğruluk, Verimlilik ve İstatistiksel Güvenilirlik

ORİJİNAL ARAŞTIRMA makalesi

Front. Oncol., 13 Kasım 2026

Bölüm: Baş ve Boyun Kanseri

Cilt 16 – 2026 | https://doi.org/10.3389/fonc.2026.1957542

  • SM
  • HT
  • IP

Shahid Mohammad Ganie 1*

Hamidullah Turkmen 2

Ishak Pacal 3,4,5*

    1. Sağlık Bilgi Yönetimi ve Teknolojisi Bölümü, Uygulamalı Tıp Bilimleri Fakültesi, Kral Faysal Üniversitesi, Al-Ahsa, Suudi Arabistan

    2. Yazılım Mühendisliği Bölümü, Mühendislik ve Mimarlık Fakültesi, İstanbul Gelişim Üniversitesi, İstanbul, Türkiye

    3. Bilgisayar Mühendisliği Bölümü, Mühendislik Fakültesi, İğdir Üniversitesi, İğdir, Türkiye

    4. Elektronik ve Bilgi Teknolojileri Bölümü, Mimarlık ve Mühendislik Fakültesi, Nahçıvan Devlet Üniversitesi, Nahçıvan, Azerbaycan

    5. Bilgisayar Mühendisliği Bölümü, Mühendislik ve Mimarlık Fakültesi, Fenerbahçe Üniversitesi, İstanbul, Türkiye

    Makale metrikleri

    Özet

    Arka Plan:

    Oral histopatoloji için derin öğrenme modellerinin güvenilir bir şekilde karşılaştırılması, tanısal sınıflar arasındaki morfolojik örtüşme ve yayımlanan çalışmalardaki veri bölümlendirmesi, optimizasyon ve değerlendirme yöntemlerindeki önemli farklılıklar nedeniyle zorlaşmaktadır. Bu nedenle, birleşik bir çerçeve altında öngörü performansı, eğitim kararlılığı, istatistiksel belirsizlik ve hesaplama verimliliğini incelemek üzere büyük ölçekli kontrollü bir kıyaslama gerçekleştirdik.

    Yöntemler:

    Dokuz model ailesinden otuz bir mimari, ortak bir alt eğitim, kontrol noktası seçimi ve test protokolü kullanılarak üç sınıflı ORCHID ve P-NDB-UFES veri kümeleri üzerinde değerlendirildi. ORCHID, hasta/doku-preparat-grubu düzeyinde yeniden bölümlendirilirken, önceden tanımlanmış 627 parçalı P-NDB-UFES test alt kümesi, tam hasta köken bilgisi mevcut olmadığı için değiştirilmeden korundu. Önde gelen modeller beş rastgele başlangıç tohumu üzerinden tekrarlandı. ORCHID belirsizliği, 14 bağımsız test grubu üzerinde küme duyarlı yeniden örnekleme yoluyla tahmin edildi. Değerlendirme; makro-F1, AUROC, AUPRC, MCC, sınıfa özgü hatalar, parametre sayısı, GFLOPs, GPU ileri geçiş verimliliği ve nitel Grad-CAM analizini içerdi.

    Bulgular:

    MobileViTv2–150, ORCHID için en yüksek birincil makro-F1 değerini (0.9428) elde ederken, DeiT III-Base/16 P-NDB-UFES’te öne çıktı (0.9037). Beş başlangıç tohumu boyunca en yüksek ortalama makro-F1, ORCHID’de Swin-Large’a (0.9348 ± 0.0110) ve P-NDB-UFES’te DeiT III-Small/16’ya (0.9031 ± 0.0091) kaydı. Önde gelen modeller arasında küme duyarlı ORCHID aralıkları örtüşüyordu ve birkaç kompakt veya orta ölçekli ağ, daha düşük hesaplama talebiyle önemli ölçüde daha büyük mimarilerle benzer performans sergiledi. Kalan hatalar, morfolojik olarak zor sınıf sınırlarında yoğunlaştı ve yüksek güvenle yapılan yanlış sınıflandırmaları da içeriyordu.

    Sonuçlar:

    Hiçbir mimari her iki tanısal görevde de tutarlı bir şekilde üstün olmadı. Model seçimi, tek bir deneme sıralamasından ziyade sınıf dengeli performansa, tekrarlanan denemelerde kararlılığa, bağımsızlık duyarlı belirsizliğe, hesaplama maliyetine ve klinik olarak ilgili başarısızlık örüntülerine odaklanmalıdır.

    1 Giriş

    Baş ve boyun kanseri, ağırlıklı olarak ağız boşluğu, farenks ve larenksin mukoza epitelyumundan kaynaklanan heterojen bir malignite grubunu kapsar; skuamöz hücreli karsinom vakaların büyük çoğunluğunu oluşturur (, ). Tütün ve alkol, ağız boşluğu ve larenks kanserlerinin başlıca etiyolojik faktörleri olmaya devam ederken, onkojenik insan papillomavirüsü orofarenks hastalıklarında giderek daha önemli hale gelmiştir (). Cerrahi, radyoterapi, sistemik tedavi ve immünoterapideki ilerlemelere rağmen, hastalık yükü hala önemli düzeydedir ve sağkalım iyileşmeleri anatomik bölgeler ve hasta popülasyonları arasında düzensiz olmuştur ().

    Oral skuamöz hücreli karsinom (OSCC), ağız boşluğunun en yaygın malignitesidir ve insidansında belirgin coğrafi farklılıklar gösterir; tütün, alkol, areca cevizi ve betel cevizine maruz kalan popülasyonlarda özellikle yüksek bir yük bulunmaktadır (). Klinik sonuç, tanı anındaki evre ile yakından ilişkilidir ve gecikmiş başvuru, birçok popülasyonda beş yıllık sağkalım oranlarının yaklaşık %50–60 kalmasına neden olmaya devam etmektedir (). Geç tanı, tedaviye bağlı morbidite ve uzman bakıma eşitsiz erişim, sonuçlardaki iyileşmeyi daha da sınırlamaktadır (). Histopatolojik inceleme tanı için merkezi öneme sahip olmaya devam etse de, yorumlama doku örneklemesi, hazırlama ve boyama değişkenliği, tümör heterojenliği ve gözlemciye bağlı değerlendirme nedeniyle karmaşık olabilir ().

    Diğer morfolojik olarak ilişkili kategorilerin ayrılması gerektiğinde tanısal zorluk daha da artar. Oral epitelyal displazi bir lezyon içinde düzensiz dağılabilirken; inflamasyon, stromal yanıt, epitelyal olgunlaşma, keratinizasyon, sitolojik atipi ve lezyon içi heterojenlik, displastik olmayan lökoplaki, displastik lökoplaki, OSMF ve invaziv OSCC arasında örtüşebilir (, ). Bu nedenle, hesaplamalı patoloji, elle tasarlanmış renk, doku, morfoloji ve frekans alanı tanımlayıcılarından derin konvolüsyonel temsil öğrenimine doğru ilerlemiştir (, ). Oral histopatolojinin ötesinde, derin öğrenme aynı zamanda akciğer kanseri alt tiplemesi için toraks BT’sinde, dermatolojik görüntü analizinde, mesane kanseri MRI segmentasyonunda, gerçek zamanlı kolorektal polip tespiti ve iskemik inme lokalizasyonu ve segmentasyonunda da güçlü performans göstererek tıbbi görüntüleme modları ve hastalık bölgeleri arasında geniş bir uygulanabilirlik sergilemiştir (–). Vizyon Transformer’ları ve hibrit konvolüsyon–dikkat mimarileri, yerel morfolojik bilgileri daha geniş uzamsal bağlamla birleştirerek bu yönü daha da genişletmektedir ().

    Bununla birlikte, mevcut literatürün doğrudan karşılaştırılması zor olmaya devam etmektedir; çünkü çalışmalar sınıf tanımları, veri kümesi bölümleri, ön işleme, artırma, optimizasyon, yardımcı modüller ve değerlendirme prosedürleri açısından farklılık göstermektedir. Mimarilerin sıralaması tanı hedefine ve veri kümesine göre değişebilir (), ayrıca boyama normalizasyonu, segmentasyon, dikkat, özellik birleştirme, özellik seçimi veya optimizasyon sezgilerini içeren çok aşamalı sistemler, yalnızca ana mimarinin katkısını ayırt etmeyi zorlaştırmaktadır (–).

    Birçok çalışma aynı zamanda tek bir veri kümesi, ikili normal-karsinom ayrımı veya az sayıda ilişkili ağ ile sınırlı kalmaktadır; edinim ve biyolojik heterojenliğe karşı sağlamlık tam olarak karakterize edilmemiştir (, ) ve hesaplama maliyeti, eşleştirilmiş istatistiksel belirsizlik, sınıfa özgü hatalar ve veri sızıntısı riski genellikle birlikte incelenmemektedir ().

    Temel Bulgular ve Genel Değerlendirme

    DharaniRDaneshK.
    CNN’ler ve metaheuristic ayarlama kullanılarak doğru oral kanser tespiti için optimize edilmiş derin öğrenme topluluğu. Intelligence-Based Med. (2025) 11:100258. doi: 10.1016/j.ibmed.2025.100258

    • Pubmed Özet
    • CrossRef
    • Google Akademik
    • Makalede referansı görüntüle

    DharaniRDaneshK.
    Histopatoloji görüntülerinden oral kanser tanısı için maskshiftnet ve transformer-güçlendirilmiş CNN’ler kullanan çiftli derin öğrenme çerçevesi. Intelligence-Based Med. (2025) 12:100301. doi: 10.1016/j.ibmed.2025.100301

    • Pubmed Özet
    • CrossRef
    • Google Akademik
    • Makalede referansı görüntüle

    TafalaIBen-BouazzaFEEl MezaliMCEmssaadIJioudiB.
    Oral kanserin geliştirilmiş tespiti ve sınıflandırılması için multimodal bir derin öğrenme hattı. Eng Proc. (2025) 112:1–13. doi: 10.3390/engproc2025112065

    • Pubmed Özet
    • CrossRef
    • Google Akademik
    • Makalede referansı görüntüle

    PaulSBiswasSGhoshSDasguptaSMaitySSauKet al.
    Oral kanserin erken tanısı için oral lezyonların derin öğrenme tabanlı otomatik tespiti, genetik imza tanımlaması ve sınıflandırılması. Adv biomark Sci Technol. (2026) 8:448–63. doi: 10.1016/j.abst.2026.03.008

    • Pubmed Özet
    • CrossRef
    • Google Akademik
    • Makalede referansı görüntüle

    LeeHTattenbergS.
    Baş ve boyun kanseri için dinamik kan dozu tahminlerinin derin öğrenme tabanlı öngörüsü. Phys Med Biol. (2026) 71:015024. doi: 10.1088/1361-6560/ae3047

    • Pubmed Özet
    • CrossRef
    • Google Akademik
    • Makalede referansı görüntüle

    LiuZMaoHWuCYFeichtenhoferCDarrellTXieS. (2022). “
    2020’ler için bir konvnet”, içinde: 2022 IEEE/CVF Bilgisayar Görüşü ve Örüntü Tanıma Konferansı (CVPR). Piscataway, NJ:
    IEEE, 11976–86. doi: 10.1109/CVPR52688.2022.01167

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    TouvronHCordMJegouH. (2022). “
    DeiT III: vit’in intikamı”, içinde: Avrupa Bilgisayar Görüşü Konferansı (ECCV). Cham, İsviçre:
    Springer, 516–33. doi: 10.1007/978-3-031-20053-3_30

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    LiuZLinYCaoYHuHWeiYZhangZet al. (2021). “
    Swin transformer: kaydırılmış pencereler kullanan hiyerarşik bir görüntü transformer’ı”, içinde: 2021 IEEE/CVF Uluslararası Bilgisayar Görüşü Konferansı (ICCV)Piscataway, NJ:
    IEEE, 9992–10002. doi: 10.1109/ICCV48922.2021.00986

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    MehtaSRastegariM.
    Mobil görüntü transformer’ları için ayrılabilir öz-dikkat. İçinde: Makine Öğrenimi Araştırmaları Üzerine İşlemler (2023). Çevrimiçi olarak mevcut: https://openreview.net/forum?id=tBl4yBEjKi (Erişim tarihi: 23 Temmuz 2026).

    • Google Scholar
    • Makaledeki referansı görüntüle

    YuWWangX. (2025). “
    Mambaout: Görüntü işleme için gerçekten mamba’ya ihtiyacımız var mı?”, içinde: 2025 IEEE/CVF Bilgisayar Görüşü ve Örüntü Tanıma Konferansı (CVPR)Piscataway, NJ:
    IEEE, 4484–96. doi: 10.1109/CVPR52734.2025.00423

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    Özet

    Anahtar Kelimeler

    hesaplama verimliliği, derin öğrenme, açıklanabilir yapay zeka, baş ve boyun kanseri, hibrit modeller, oral histopatoloji, oral skuamöz hücreli karsinom, görüntü transformer’ı

    Atıf

    Ganie SM, Turkmen H ve Pacal I (2026) Çok sınıflı oral histopatoloji için modern derin öğrenme mimarilerinin büyük ölçekli bir değerlendirmesi: doğruluk, verimlilik ve istatistiksel güvenilirlik. Front. Oncol. 16:1957542. doi: 10.3389/fonc.2026.1957542

    Alındı

    03 Ağustos 2026

    Revize edildi

    08 Eylül 2026

    Kabul edildi

    14 Ekim 2026

    Yayınlandı

    13 Kasım 2026

    16 – 2026

    Pan Huang, The Hong Kong Polytechnic University, Hong Kong SAR, Çin

    Abebaw Agegne Engda, Debark Üniversitesi, Etiyopya

    Ali Zeydi Abdian, Shahid Bahonar Kerman Üniversitesi, İran

    © 2026 Ganie, Turkmen ve Pacal.

    Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltmaya izin verilmez.

    *Yazışma: Shahid Mohammad Ganie, sganie@kfu.edu.sa; Ishak Pacal, ishakpacal@igdir.edu.tr

    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.

    Frontiers | A large-scale assessment of modern deep learning architectures for multiclass oral histopathology: accuracy, efficiency, and sta
    Frontiers | A large-scale assessment of modern deep learning architectures for multiclass oral histopathology: accuracy, efficiency, and sta
    İlginizi Çekebilir: Yüksek Hacimli Metastatik Yükü Olan Androjen Yolu Modülasyonuna Duyarsız Prostat Kanseri İçin Enfortumab Vedotin ve Pembrolizumab: Öncü Bir Vaka Raporu →
    Kaynak: Frontiersin ↗
    BENZER İNCELEMELER

    İlgili Diğer Rehberler