Günümüzde 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.
In today's context, digital pathology plays a significant role in the diagnosis and prediction of tumors. Given the capability of Deep Learning (DL) methods to handle large- scale applications, such models are being increasingly employed as an attractive solution for tissue classification in histopathological images. This study aims to establish an accurate and interpretable machine learning technique for the automatic classification of lung cancer from histopathological images. In the current approach, a cancer detection system on pathology images is proposed by comparing Convolutional Neural Networks (CNNs), Vision Transformer (ViT), and EfficientNet-B1 architectures, utilizing the Local Interpretable Model-agnostic Explanations (LIME) interpretability method. It has been observed that the ViT and EfficientNet-B1 architectures outperform the convolution-based CNN architecture in terms of f1-score, precision, and recall rates. The ViT architecture approaches the highest performance rate, while the most detailed LIME results are achieved with the EfficientNet-B1 architecture.
