Afyon Kocatepe Üniversitesinden Doç. Dr. Uçman Ergün ve Arş. Gör. İsmail Kayadibi meme kanseri teşhisinde doğruluk ve güvenilirliği birlikte artıran, açıklanabilir yapay zekâ tabanlı BCECNN adlı bir mimari geliştirdi. Model, AlexNet, VGG16 ve EfficientNetB0 gibi farklı derin ağların oy çokluğu ile birleştirildiği topluluk yaklaşımını kullanıyor ve AISSLab veri seti üzerinde %98,75 doğruluğa ulaşıyor. Çalışmanın ayırt edici yönü, yalnızca “yüksek doğruluk” iddiasıyla yetinmeyip karar sürecini görünür kılması. Grad-CAM, LIME ve LIME-Mask teknikleri ile üretilen ısı haritaları klinik bir radyolog tarafından doğrulandı. Böylece modelin hangi bölgelere dayanarak karar verdiği şeffaf biçimde gösterildi; bu sayede klinisyen güveni güçlendi ve gereksiz biyopsi riskinin azaltılmasına zemin hazırlandı. Ekip, transfer öğrenme ile eğitilmiş beş farklı CNN’i entegre eden iki özgün topluluk yapısını da sistematik olarak karşılaştırdı. Üçlü topluluk (TECNN) ile beşli topluluk (QECNN) arasındaki fark McNemar testiyle değerlendirildi ve TECNN’in istatistiksel olarak üstün olduğu gösterildi (p=0,023). Veri setinin görece küçük olması durumunda dahi uygulama başarısı, veri artırma ve topluluk öğrenme stratejisinin sağlık merkezlerinde ölçeklenebilir bir çözüm sunabileceğine işaret ediyor. Bulgular, meme kanserinin erken ve doğru teşhisinde radyologlara güvenilir, şeffaf ve hızlı bir klinik karar destek aracı sağlıyor. Çalışma, SKA-3 (Sağlık ve Kaliteli Yaşam) ve SKA-9 (Sanayi, Yenilikçilik ve Altyapı) hedefleriyle uyumlu bir katkı niteliği taşıyor..
DOI: 10.1186/s12911-025-03186-2