Yenidoğan sarılığının erken ve güvenilir biçimde tespit edilmesi, bilirubine bağlı nörolojik hasarların önlenmesi açısından kritik öneme sahiptir. Ancak klinik uygulamalarda yaygın olarak kullanılan görsel değerlendirme yöntemleri öznel olup, uygulayıcıya ve çevresel koşullara yüksek derecede bağımlıdır.
Bu çalışmada, NeoJaundice veri seti kullanılarak yenidoğan sarılığının otomatik tespiti amacıyla üç farklı derin öğrenme tabanlı yaklaşım sistematik olarak değerlendirilmiştir. İlk yaklaşımda, ham görüntüler üzerinde ResNet18 ve MobileNetV2 mimarileri kullanılarak doğrudan Evrişimsel Sinir Ağı (CNN) tabanlı sınıflandırma gerçekleştirilmiştir.
İkinci yaklaşımda, sınıflandırma öncesinde YOLO tabanlı kaba lokalizasyon ve Segment Anything Model (SAM) kullanılarak piksel seviyesinde otomatik ilgi bölgesi (Region of Interest, ROI) çıkarımı uygulanmıştır. Üçüncü ve en gelişmiş yaklaşımda ise ROI üzerinden çıkarılan CNN özellikleri, uzamsal temsiller arasındaki bağlamsal bağımlılıkların modellenmesi amacıyla Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ağına aktarılmıştır.
Bildiğimiz kadarıyla bu çalışma, renk duyarlılığı yüksek ve klinik olarak etiketlenmiş bir yenidoğan sarılığı veri seti üzerinde YOLO–SAM tabanlı otomatik ROI çıkarımının sınıflandırma performansına etkisini sistematik biçimde inceleyen ilk çalışmadır. Deneysel sonuçlar, ROI tabanlı modellerin sınıflar arası dengeyi ve duyarlılığı iyileştirdiğini, hibrit CNN–LSTM mimarisinin ise ResNet18 özellikleri ile birlikte kullanıldığında en yüksek genel doğruluk oranına (%76,45) ulaştığını göstermektedir.
Elde edilen bulgular, hassas ROI çıkarımı ile bağlamsal özellik modellemesinin birleştirilmesinin, özellikle düşük kaynaklı ve non-invaziv klinik tarama senaryolarında kamera tabanlı yenidoğan sarılığı tespit sistemleri için daha güvenilir ve genellenebilir bir çerçeve sunduğunu ortaya koymaktadır.
