Ear Diseases Detection Using Machine Learning and Deep Learning Algorithms on Otoscopic Images

Kulak hastalıkları, kulak zarını zararlandırabilir, orta kulağı iltihaplandırabilir ve ses dalgalarını engelleyerek kısmi veya tam işitme kaybına yol açabilir. Geleneksel tespit yöntemleri genellikle klinik uzmanlığa dayanır ve otoskopik görüntüler üzerinden yapılan analizlerde insan hatası riski bulunmaktadır. Bu çalışma, Derin Öğrenme (DL) ve Makine Öğrenmesi (ML) algoritmaları kullanarak kulak hastalıklarının otomatik tespitine yönelik yenilikçi bir çerçeve geliştirmiş ve algoritmalar arasında doğruluk açısından en yüksek başarıyı gösteren algoritmayı belirlemek için karşılaştırmalar yapmıştır. Modeller, Kaggle otoskop veri seti üzerinde eğitilmiştir. Bu veri seti, dokuz farklı tür içerir; sekiz anormal durum (Yabancı Cisim, kulak kiri, kulak ventilasyon tüpü, Kronik Otitis Media (COM), otitis externa, psödo-membranlar, timpanoskleroz, AOM) ve normal.EfficientNetB0 ile CNN modeli, AUC'nin %91'i ve eğitim doğruluğu %91,8 ile en yüksek başarıyı elde ederek önceki modelleri AUC açısından geride bırakmıştır. EfficientNetB0 ile GRU modeli ise AUC %89 ve eğitim doğruluğu %95,29 ile doğruluk açısından diğer modelleri geride bırakmıştır. Diğer algoritmalar, DenseNet121 ile TNN, ResNet50 ile LSTM, Random Forest, SVM, Light GBM ve XGBoost, sırasıyla %90, %90, %81, %82, %82, %82 AUC ve %99,40, %81,32, %99,40, %99,40 eğitim doğrulukları elde etmiştir. Çalışma sonuçları, EfficientNetB0 ile CNN modelinin DL algoritmaları arasında en yüksek doğruluğu ve XGBoost algoritmasının aynı yapılandırmalarla ML algoritmalarında en yüksek %82 AUC'yi gösterdiğini ortaya koymaktadır. Bu çalışmanın sonuçları güvenilirdir ve gerçek dünya klinik senaryolarında uygulanabilir. Ayrıca, AI kullanımının tıbbi hastalıkların tespitinde önemli bir rol oynadığı ve özellikle kulak hastalıklarının tespiti ve tedavisi konusunda kulak burun boğaz uzmanlarına sınırlı erişimi olan bölgelerde faydalı olacağı düşünülmektedir