Akciğer Kanseri Risk Tahmini Uygulaması

Bu projede, kullanıcıdan alınan sağlık ve yaşam tarzı verileri ile akciğer kanseri riskini tahmin edebilen, mobil tabanlı ve yapay zekâ destekli bir sistem geliştirilmiştir. Sistem; Flutter ile geliştirilen mobil uygulama, Flask tabanlı bir API, Scikit-learn ile eğitilmiş makine öğrenmesi modeli ve MSSQL veritabanından oluşmaktadır.


Ne Yaptım?

  • Kullanıcıdan 15’ten fazla sağlık ve yaşam tarzı parametresi toplayan mobil bir test formu geliştirildi
  • Toplanan veriler Flask tabanlı bir API aracılığıyla backend katmanına aktarıldı
  • SMOTE ile dengelenmiş ve ölçeklenmiş veri seti üzerinde Logistic Regression modeli eğitildi
  • Tahmin sonuçları kullanıcıya anlık olarak gösterildi ve MSSQL veritabanına zaman damgası ile kaydedildi
  • Kullanıcının geçmiş tahminlerini görüntüleyebildiği bir sonuç ekranı tasarlandı

Proje Raporu

Bu projeye ait teknik raporu aşağıdan görüntüleyebilir veya indirebilirsiniz.

PDF’i Yeni Sekmede Aç

Neden Logistic Regression?

Logistic Regression modeli, f1-score ve recall metriklerinde dengeli performans sunması ve yorumlanabilir olması nedeniyle tercih edilmiştir. Özellikle yanlış negatif sonuçların minimize edilmesi, sağlık alanında kritik bir gereklilik olarak değerlendirilmiştir.


Uygulama Ekran Görüntüleri

Mobil uygulamanın test formu ve sonuç ekranlarına ait örnek görüntüler aşağıda yer almaktadır.

Akciğer kanseri risk tahmini test formu Düşük risk sonucu ekranı Yüksek risk sonucu ekranı

Model Performans Analizi

Makine öğrenmesi modellerinin doğruluk (Accuracy), duyarlılık (Recall) ve F1-Score metriklerine göre karşılaştırmalı sonuçları aşağıda sunulmuştur.

Model performans tablosu

Logistic Regression, Random Forest ve KNN modellerine ait Accuracy, Recall, Precision ve F1-Score değerlerini gösteren karşılaştırmalı performans tablosu.

Model performans grafiği

Makine öğrenmesi modellerinin performans metriklerine göre grafiksel karşılaştırması. Logistic Regression modelinin dengeli ve yüksek performans sunduğu görülmektedir.


Elde edilen sonuçlar doğrultusunda, Logistic Regression modeli; özellikle yüksek recall ve dengeli F1-score değerleri nedeniyle uygulama ortamında kullanılmak üzere tercih edilmiştir. Bu tercih, sağlık alanında kritik öneme sahip olan yanlış negatif tahminlerin minimize edilmesini amaçlamaktadır.


Kaynak Kod

Bu projeye ait kaynak kodlar, proje bütünlüğü ve veri gizliliği nedeniyle özel (private) bir GitHub deposunda tutulmaktadır.

⌘ Private GitHub Repository

Sonuç & Etki

Geliştirilen uygulama, yalnızca bir tahmin motoru değil; bireylerin sağlık farkındalığını artırmayı hedefleyen dijital bir erken uyarı sistemidir. Mobil ve kullanıcı dostu yapısı sayesinde, erken teşhise yönelik farkındalığın artırılmasına katkı sunmaktadır.

Proje Raporu

Bu projeye ait detaylı teknik raporu aşağıdan görüntüleyebilir veya indirebilirsiniz.

PDF’i Yeni Sekmede Aç