Kan kanserlerinin en tehlikeli türlerinden biri olan Akut Miyeloid Lösemi (AML), zamanında teşhis edilmediğinde hayati risk oluşturabiliyor. Geleneksel tanı yöntemleri, hücre tiplerinin görsel benzerliği nedeniyle zorluklarla karşılaşıyor ve uzman doktorların deneyimine büyük ölçüde bağımlı kalıyor.
Yeni araştırmada, YOLOv12 derin öğrenme algoritması kullanılarak AML hücrelerinin sınıflandırılması hedeflendi. Araştırma ekibi, görüntü işleme öncesinde iki farklı yaklaşım denedi: hücre özelliklerine dayalı segmentasyon ve çekirdek özelliklerine dayalı segmentasyon. Bu süreçte Hue kanal analizi ve Otsu eşikleme teknikleri kullanıldı.
Deneysel sonuçlar, hücre tabanlı segmentasyon ile Otsu eşikleme kombinasyonunun en başarılı sonucu verdiğini gösterdi. Model, hem doğrulama hem de test aşamasında %99.3'lük doğruluk oranına ulaştı.
Bu gelişme, tıp alanında yapay zekanın artan rolünü bir kez daha kanıtlıyor. Yüksek doğruluk oranları, erken teşhis süreçlerinin hızlandırılması ve insan hatasının minimize edilmesi açısından umut verici. Özellikle uzman doktor sayısının sınırlı olduğu bölgelerde, bu tür teknolojiler hayat kurtarıcı olabilir.