Solak, Ahmet2025-12-242025-12-2420252564-6605https://doi.org/10.28948/ngumuh.1635030https://search.trdizin.gov.tr/en/yayin/detay/1351494/ai-powered-diagnosis-of-respiratory-diseases-evaluating-vision-transformers-and-resnet-architectures-for-covid-19-and-lung-pathologieshttps://hdl.handle.net/123456789/12775Bu çalışma, gelişmiş derin öğrenme mimarilerinin – özellikle Vision Transformers (ViT) ve çeşitli ResNet modellerinin (ResNet50, ResNet101, ResNet152) – göğüs röntgenlerini Normal, Akciğer Opasitesi, Viral Pnömoni ve COVID-19 olmak üzere dört klinik açıdan önemli tanısal kategoriye sınıflandırmadaki etkinliğini sistematik olarak değerlendirmektedir. Modellerin performansını, hassasiyet, geri çağırma, F1-skora ve doğruluk gibi temel değerlendirme metrikleri üzerinden ölçmek amacıyla özenle hazırlanmış 21.165 göğüs X-ışını görüntüsünden oluşan bir veri seti kullanılmıştır. Deneysel değerlendirmeler, ViT modelinin %90.25 doğruluk, %91.56 hassasiyet, %89.22 geri çağırma ve %90.25 F1-skora elde ettiğini ortaya koymaktadır. Bu bulgular, yapay zeka temelli yaklaşımların tıbbi tanı süreçlerini güçlendirme, tanı doğruluğunu artırma ve özellikle kaynak kısıtlı ortamlarda sağlık hizmetlerinin sunumunu iyileştirme potansiyeline işaret etmektedir. Çalışma, karmaşık tıbbi görüntüleme görevlerinde Vision Transformers'ın uygulanabilirliğini vurgulamakta ve solunum yolu hastalıkları ile diğer sağlık sorunlarına yönelik yapay zeka temelli çözümleri destekleyen artan araştırma literatürüne katkıda bulunmaktadır.eninfo:eu-repo/semantics/openAccessArticle10.28948/ngumuh.1635030