Açıklanabilir kuantum destekli hibrit öğrenme ile meme kanseri sınıflandırması

Authors : İlhan Uysal

Pages : 910-927

Doi:10.17714/gumusfenbil.1715840

View : 286 | Download : 352

Publication Date : 2025-12-15

Article Type : Research Paper

Abstract :Bu çalışma, meme kanseri tanısına yönelik olarak klasik makine öğrenmesi algoritmaları, derin öğrenme mimarileri ve kuantum destekli modellerin entegrasyonuyla oluşturulan açıklanabilir bir hibrit sınıflandırma yaklaşımı önermektedir. Breast Cancer Wisconsin (Diagnostic) veri seti üzerinde gerçekleştirilen analizde, Lojistik Regresyon, Rastgele Orman, Aşırı Gradyan Artırma (XGBoost), TabNet, Variational Quantum Classifier (VQC) ve Quantum Kernel Support Vector Classifier (QKSVC) gibi farklı sınıflandırıcılar kullanılmış, bu modellerin çıktıları yumuşak oylama (soft voting) yöntemiyle birleştirilerek nihai bir hibrit model oluşturulmuştur. Tabakalı on katlı çapraz doğrulama sonucunda topluluk modeli yaklaşık 0,995 ortalama AUC ve 0,98 doğruluk düzeyiyle yüksek bir başarı göstermiştir. Model kararlarının şeffaflığını artırmak amacıyla SHAP, LIME ve Q-MEDLEY gibi açıklanabilir yapay zekâ yöntemleri uygulanmıştır. Açıklanabilirlik analizlerinde ‘en kötü doku değeri’ (texture_worst), ‘tümör sınırındaki en belirgin içe çökük bölgelerin sayısı’ (concave points_worst) ve ‘tümör alan ölçümü standart hatası’ (area_se) gibi özniteliklerin model kararları üzerinde belirleyici rol oynadığı tespit edilmiştir. Bu araştırma, kuantum bilişim destekli açıklanabilir sınıflandırma yaklaşımlarının tablo formatındaki biyomedikal veriler üzerindeki uygulanabilirliğini ortaya koyarak, literatüre özgün bir katkı sunmaktadır. Tek veri seti kullanılması ve kuantum modellerin gürültüsüz simülasyon ortamında değerlendirilmesi, sonuçların genellenebilirliğini sınırlayan başlıca etmenlerdir. Gelecek çalışmaların çok merkezli, dengesiz ve çok sınıflı veri kümelerinde dış doğrulama yapılması ve gerçek NISQ (gürültülü ara ölçekli kuantum) donanımlarında deneysel testler gerçekleştirmesi önerilmektedir. Bulgular, kuantum çekirdek yöntemleriyle derin ve klasik öğrenme paradigmalarının açıklanabilir bir çerçevede bütünleştirilmesinin, klinik karar destek sistemleri için güvenilir ve yüksek performanslı çözümler sunma potansiyeli taşıdığını ortaya koymaktadır.
Keywords : Açıklanabilir yapay zekâ, Topluluk öğrenme yaklaşımı, Hibrit model, Kuantum makine öğrenmesi, Meme kanseri tanısı

ORIGINAL ARTICLE URL