Geri Dön

CKAN ve CNN derin öğrenme modellerinin kanser histopatoloji görüntülerindeki tümöre sızan lenfositlerin sınıflandırılması üzerine karşılaştırmalı değerlendirmesi

Comparative evaluation of CKAN and CNN deep learning models for classifying tumor infiltrating lymphocytes in cancer histopathology images

PDF İndir

  1. Tez No: 995309
  2. Yazar: SEYİT METİN KÖROĞLU
  3. Danışmanlar: PROF. DR. SAVAŞ İZZETOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoloji, Biology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoloji Ana Bilim Dalı
  12. Bilim Dalı: Moleküler Biyoloji Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Günümüzde, prostat kanseri de dahil olmak üzere, birçok kanser vakasının diyagnozu ve prognozu için kullanılan altın standart biyopsi sonucu elde edilen histopatolojik örneklerin mikroskobik incelemeleridir. Bu süreçte göz önünde bulundurulan göstergelerden biri de, tümör mikroçevresinde bulunan tümöre sızan lenfositlerin (Tumor-Infiltrating Lymphocytes - TIL) varlığıdır. TIL yoğunluğu, bağışıklık sisteminin tümörle etkileşim sürecinin bir göstergesi olarak, diyagnostik ve prognostik olarak prediktif bir değere sahiptir. Son dönemde derin öğrenme mimarilerini temel alan görüntü sınıflandırma modelleri, histopatolojik görüntülerdeki karmaşık doku yapılarını başarılı bir şekilde öğrenebilmekte ve insan gözünün ayırt etmekte zorlanma ihtimali olan hassas yapıları başarılı bir şekilde sınıflandırabilmektedir. Convolutional Neural Network (CNN) mimarilerinin literatürdeki önemine rağmen, makine öğrenmesi yöntemlerinde devrimsel değişikliklere yol açabilecek ve temeli Kolmogorov-Arnold Temsil Teoremi'ne dayanan Kolmogorov Arnold Network (KAN) ve Convolutional KAN (CKAN) yaklaşımları son dönemde literatürde öne çıkan yeni yöntemlerdir. Bu modeller, klasik sinir ağlarının aksine, spline tabanlı fonksiyonların kullanıldığı öğrenme sürecini kullanarak daha etkili ve yorumlanabilir bir başarı sunmayı amaçlamaktadır. Bu çalışmanın amacı, TCGA-PRAD (The Cancer Genome Atlas - Prostate Adenocarcinoma) veri seti üzerinden TIL-pozitif ve TIL-negatif örneklerin sınıflandırılması bağlamında histopatolojik görüntülerde kullanılan derin öğrenme modellerinin performansını ve klinik uygulanabilirliğini incelemektir. Bu kapsamda, yaygın olarak kullanılan CNN mimarileri ile henüz medikal literatürde kendisine yer bulamamış ve alternatif bir yapı sunduğu belirtilen CKAN modeli değerlendirilmiştir. Veri dengesizliğinden ötürü 5 farklı veri dengeleme stratejisi oluşturulmuş ve her biri için her iki model eşit şartlarda ve eşit parametrelerle 25 epoch boyunca eğitilmiştir. WeightedRandomSampling yöntemi en başarılı olarak seçilmiş ve nihai model olarak 100 epoch boyunca eğitilmiştir. Yine eşit şartlarda eğitilip test edilen nihai modelin sınıflandırma başarıları performans metrikleri aracılığıyla karşılaştırılmıştır. Elde edilen bulgular, bu iki mimarinin var olan avantajları, dezavantajları ve pratik uygulanabilirliklerini net bir şekilde ortaya koymuştur. Her iki model karşılaştırıldığında, CKAN modeli, CNN modeline doğruluk açısından aynı (CKAN: 0.86, CNN: 0.86), genel sınıf ayırt ediciliği açısından (CNN: 0.81, CKAN: 0.80) yakın bir performans sergilemiş olsa da, macro avg F1 skorunda (CKAN: 0.72, CNN: 0.70) elde ettiği başarı bir adım öndedir. Ancak, her iki model için de azınlık TIL pozitif sınıfı için düşük F1 puanları (CNN: 0.53 ve CKAN için 0.62) ölçülmüştür. Sınıf dengesizliğinden kaynaklanan bu sorun, gelecekteki araştırmalar için, öncelikli olarak modeldeki yapısal değişikliklere odaklanmak yerine, azınlık sınıfın temsilinin arttırılması göz önünde bulundurulmalıdır. XAI analizleri, CKAN modelinin CNN'e kıyasla daha tutarlı ve biyolojik yapılarla örtüşerek çalıştığını göstermiştir. Sonuç olarak, CKAN mimarisi histopatolojik görüntü analizinde CNN'lere karşı önemli bir alternatif durumundadır. Hesaplama maliyetlerinin optimize edilmesi ve sınıf dengesizliği stratejilerinin geliştirilmesiyle, bu mimarinin klinik uygulamalarda patologlara yardımcı bir araç olarak kullanılması mümkündür.

Özet (Çeviri)

Today, microscopic examination of histopathological samples obtained from biopsy remains the gold standard for the diagnosis and prognosis of many cancers, including prostate cancer. One of the key indicators considered during this process is the presence of tumor-infiltrating lymphocytes (TILs) within the tumor microenvironment. TIL density serves as a marker of the interaction between the immune system and the tumor and therefore carries both diagnostic and prognostic predictive value. In recent years, image classification models based on deep learning architectures have demonstrated a strong ability to learn complex tissue structures in histopathological images and to accurately classify subtle patterns that may be difficult for the human eye to distinguish. Despite the well-established importance of convolutional neural network (CNN) architectures in the literature, Kolmogorov–Arnold Network (KAN) and Convolutional KAN (CKAN) approaches—grounded in the Kolmogorov–Arnold Representation Theorem and capable of introducing potentially transformative changes to machine learning—have recently gained attention as emerging methods. Unlike conventional neural networks, these models aim to achieve improved performance and interpretability by employing spline-based functions during the learning process. The aim of this study was to investigate the performance and clinical applicability of deep learning models used in histopathological image analysis for the classification of TIL-positive and TIL-negative samples based on the TCGA-PRAD (The Cancer Genome Atlas – Prostate Adenocarcinoma) dataset. Within this context, widely used CNN architectures were evaluated alongside the CKAN model, which has not yet been widely adopted in the medical literature but is reported to offer an alternative structural approach. Due to data imbalance, five different data balancing strategies were designed, and for each strategy, both models were trained under identical conditions and hyperparameters for 25 epochs. The WeightedRandomSampling method was identified as the most effective and was therefore selected for final model training, which was conducted for 100 epochs. The final models, trained and tested under the same conditions, were then compared using standard performance metrics. The results clearly highlight the respective strengths, limitations, and practical applicability of the two architectures. When compared directly, the CKAN model achieved the same overall accuracy as the CNN model (CKAN: 0.86, CNN: 0.86) and showed comparable class discrimination performance (CNN: 0.81, CKAN: 0.80). However, CKAN demonstrated a slight advantage in terms of macro-averaged F1 score (CKAN: 0.72, CNN: 0.70). Nevertheless, low F1 scores were observed for the minority TIL-positive class in both models (CNN: 0.53; CKAN: 0.62). Rather than focusing primarily on architectural modifications, future studies should prioritize improving minority class representation to address this limitation stemming from class imbalance. Explainable artificial intelligence (XAI) analyses further indicated that the CKAN model produced more consistent attention patterns and better alignment with biologically relevant structures compared to the CNN. In conclusion, the CKAN architecture represents a promising alternative to CNNs for histopathological image analysis. With further optimization of computational costs and refinement of class imbalance strategies, this architecture has the potential to serve as a supportive tool for pathologists in clinical practice.

Benzer Tezler

  1. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. Tez No

    775469

    Proposing efficient CNN models for the detection of acute lymphoblastic leukemia (ALL) using transfer learning

    Transfer öğrenmeyi kullanarak lenfoblastik löseminin (tümü) tespiti için verimli bir CNN modeli önerilmesi

    HEKMA IBRAHIM ABED

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ADNAN SAHER MOHAMMED AL-AJEELI

  3. Tez No

    197553

    Üzüm çekirdeği (Vitis vinifera) ve yaprağındaki proanthocyanidinlerin karakterizasyonu ve kozmetik alanda kullanımı

    Characterization and using cosmetic field of proanthocyanidins in grape leaf (Vitis vinifera) and grape seeds

    AHMET ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Eczacılık ve FarmakolojiCelal Bayar Üniversitesi

    Organik Kimya Ana Bilim Dalı

    Y.DOÇ.DR. KADİR ARISOY

  4. Tez No

    420252

    Transfinite diameters and Polya inequality

    Sonluötesi çaplar ve Polya eşitsizliği

    OZAN GÜNYÜZ

    Doktora

    İngilizce

    İngilizce

    2015

    MatematikSabancı Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. VIATCHESLAV ZAKHARIDUTA

  5. Tez No

    719291

    Даража чек катмардуу сингулярдуу козголгон параболалык теңдемелердин чыгарылыштарынын асимптотикасы

    Güç sınır katmanı içeren singüler pertürbasyon parabolik denklemlerin çözümlerinin asimptotiği

    PEYİL ESENGUL KIZI

    Doktora

    Kırgızca

    Kırgızca

    2022

    MatematikKırgızistan-Türkiye Manas Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. ASAN ÖMÜRALİYEV

Geri Dön