Web3 ve Blockchain ile Tasarlanmış Yapay Zeka Destekli Dijital Patoloji Portalı: “DigiPath”

Özet
Dijital Patoloji çalışmalarının gelişimi son yıllarda hızlanmıştır. Yapay zeka metodlarının gelişmesiyle
gerçekleşen çalışmaların kapsamı da gelişmiş ve nitelikleri artmıştır. Bu proje ile ülkemizde ve
dünyada henüz yaygınlaşmamış olan dijital patolojinin sorunları çözülmeye çalışılmış ayrıca
uygulama; geleneksel ve maliyeti yüksek Web2 teknolojileri yerine merkeziyetsiz ve daha düşük
maliyetli Web3 teknolojisi kullanılarak tasarlanmıştır. Uygulamaya Web3 konsepti ve Blockchain
teknolojisi zemin oluşturmuştur. Web3 konsepti, geleneksel Web2 uygulamalarının
merkeziyetsizleştirilmesini esas almış ve bunu da blockchain teknolojisini kullanarak sağlamıştır.
Web3 konseptinin dijital patolojiye zemin oluşturduğunu kanıtlamak için akciğer ve meme
kanserlerinin teşhisi derin öğrenme modeliyle sağlanmış, görüntülerin dijitalleştirilmesi ve
incelenmesi, doktorlara konsültasyon olanağı sağlayan hasta havuzu gibi dijital patoloji araçları
sunulmuştur. Web3 uygulaması olarak bir kullanıcı arayüzü tasarlanmıştır. Ethereum ağının sağladığı
akıllı kontratlar blockchain teknolojisinin finans sektörü dışına çıkmasına olanak sağlamaktadır.
Uygulamada kullanılan Provider aracı Metamask olmuştur. Metamask, arayüz ile Ethereum
Blockchain arasında iletişim sağlamaktadır. Python modülleri ile hazırlanmış olan akciğer ve meme
kanserleri teşhisinde kullanılan derin öğrenme modelleri, FastAPI modülü ile iletişim sağlamaktadır.
Yapılan literatür taramalarında Türkiye’de Web3 teknolojisi ve dijital patolojiyi birleştiren çalışmaya
rastlanmamıştır. Dünyada ise sadece bir çalışmaya rastlanmıştır. Bunun dışında Web3 teknolojisi
Türkiye’de ekonomide kullanılırken dünyada lojistik, gıda ve sağlık sektörlerinde kullanıldığı tespit
edilmiştir. Bu da bu projenin özgün yönüdür. Dijital Patoloji Portalı’nın test edilmesi sonucunda;
akciğer ve meme kanseri teşhisinde modelin tahmin oranı %95 olmuştur, oluşturulan uygulamanın
veri iletimindeki bozuklukları, veri güvenliği ve gizliliği, gibi problemlere Web3 teknolojisinin çözüm
ürettiği tespit edilmiştir.

Anahtar Kelimeler: Dijital patoloji, Web3, Blockchain, Merkeziyetsizleştirme, Derin Öğrenme

Proje Amacı
Günümüzde; dijital görüntüler, mobil uygulamalar, telekonsültasyon, uzaktan hastalara
erişebilme ve yapay zekanın alt dalı olan, makine öğrenimi ve derin öğrenmeyle yapılan testler,
uzaktan hastalık yönetimi yaygınlaşıyor. Dijital dönüşüm ve dijitalleşmenin temel taşlarından biri olan
yapay zekânın kullanıldığı teknolojiler sağlıkta kritik önem taşıyor ve yeni fırsatlar yaratıyor. Sağlıkta
dijital dönüşüm adımları, dijital patoloji gibi yüksek maliyet ve geniş depolama ve yüksek gizlilik
gerektiren alanlarda fazla hızlı ilerlemiyor. Bu çalışmanın amacı ise, dijital patolojideki sorunları
vurgulamak ve yazılım altyapılı bir Blockchain ve Web3 teknolojisinin düşük maliyetli bir veri
depolama ve iletimde önem oluşturduğunu öne göstermek ve oluşturulan alt yapıyla, dijital patoloji
için gereken alt yapının maliyeti önemli ölçüde azaltılacaktır. Böylece zaman, emek, ve iş kolaylığı
açısından kazanç sağlanacak ve sağlıkta dijitalleşme ve dönüşüm alanında önemli bir adım atılmış
olunacaktır.

1.Giriş
Dijital patoloji kısaca ışık mikroskobu altında incelenen lamların, dijital görüntüler haline getirilmesi
ve sonrasında mikroskop yerine bilgisayar ekranında incelenmesi olarak tariflenebilir. Dijital
patolojinin hayatımıza girişi, 1980’lerde “telepatoloji’’(uzaktan kumandalı) ile birlikte olmuştur. İlk
çalışmalar, özellik çıkarma temelinde başlamış, ancak yapay zeka, makine öğrenimi, derin öğrenme ve
yapay sinir ağları görüntü tanıma algoritmaları ile hızlı bir gelişme göstermiştir ( Özdemir, 2021).
‘’Dijital patoloji şuan genellikle konsültasyon, eğitim ve araştırma amacıyla kullanılmakla birlikte,
bazı merkezlerde rutin patoloji pratiğine girmeye de başlamıştır. İnsanlar tarafından makinelere
kazandırılan yapay zekâ uygulamalarının patolojide de çeşitli kolaylıklar sağlayacağı
düşünülmektedir’’ (Sensu vd., 2020).

1.1. DİJİTAL PATOLOJİ

 Dünyanın birçok yerinde, patologların çalışmalarının bir kısmı “dijital” hâle geldi, yani
geleneksel rutin görüntülerin yerini dijital görüntüler aldı. Bununla birlikte, dijital patolojiye giden
yolu izleyen birçok patoloji enstitüsü, bunun göründüğü kadar kolay olmadığının farkındadır.
Olanaklar ve teknik yönler hızlı şekilde ilerlerken, dijital bir yaklaşımın bir patoloji laboratuvarında
günlük rutinin birçok temel yönünü etkileyeceği vurgulanmalıdır (Dawson H. (2022).

1.1.1. Dijital Patolojinin Avantajları

Dijital patoloji diğer otomatik görüntü analiz algoritmalarının kullanılmasını kolaylaştıracak
araçlar ile donatılmaktadır. Yapay zeka sayesinde ölçümler ve hesaplamalar çok kısa sürede ve
minimum hata ile yapılabilmektedir (Sensu, vd.., (2020). Dijital patoloji tıbbi erişime ulaşılması zor
olan yerlerde doktor, patolog ve patoloji çalışanlarına kolaylık sağlar. Doktorlar bu tür verileri, daha
sonra hastalığın ilerleyişi hakkında teşhis konusunda yardım alarak fikir birliğine
varabilecek(konsültasyon) ve hastalar için tedavi yolları önerebilecek olan alandaki diğer uzmanlarla
veya kıdemli pratisyenlerle paylaşabilir. Hastane sistemleri de yavaş yavaş tamamen dijital bir teşhis
moduna geçerek patoloji laboratuvarlarındaki cam lamlar için fiziksel depolama ihtiyaçlarını azaltır
ve iletimi çoğunlukla otomatikleştirir (Subramanian, (2022). Ayrıca patoloji eğitimlerinde Web tabanlı
eğitim materyali oluşturmanın Kapsamlı içerik oluşturma,yeniden kullanılabilirlik ve öğrencilerin
gelişimlerinin izlenebilmesi, kolay erişilebilme, değerlendirme verisi toplama yeteneği gibi yararları
vardır (Onan vd.., (2019).

1.1.2. Dijital Patolojinin Zorlukları

Subramanian’e göre (2022) dijital patolojiyle ilgili teknik yönler ve olanaklar hızla artarken
dijital patolojinin geniş çaplarda erişilebilir kılınmasının benimsenmesiyle ilgili çeşitli sorunlar vardır.
Bu zorluklar Şekil 1’de görüldüğü gibi, doku ve örnek taramalarından türetilmiş olan slayt
görüntülerinin algoritmalar kullanarak iletim, depolama, geri alma, güvenlik ve tek tip klinik tanısı ile
ilgilidir. Dijital patolojide lamlar yüksek çözünürlükte mikroskoplarla taranarak yüksek çözünürlüklü
görüntüler haline gelirler ve bu görüntülerin sıkıştırılmaması için yüksek çözünürlüklü depolama alanı
şarttır. Bu tür yüksek çözünürlüklü görüntülerin sıkıştırılması ve sıkıştırılmasının açılması durumu
veri kaybına sebep olabilir. Bunun dışında ağa bağlı depolama, bulut depolama, ticari veri tabanları
sistemleri sahip olunması pahalı sistemler olduğu için dijital patolojiyi karşılanamaz hale getirir.

Şekil 1. Dijital patolojide teknik zorluklar

(Subramanian., 2022)

Subramanian’a göre (2022) dijital patolojinin bu sorunlarına karşı olan çözüm, merkeziyetsiz ve
halka açık olmayan blockchain teknolojisi ve akıllı sözleşmeler kullanılıp bir sistem tasarlanılmasıdır.

1.1.3. Dijital patolojide yapay zeka uygulamaları

Dijital patolojide yapay zekâ uygulamaları, nesne tanıma sorunlarına odaklanan düşük
seviyeli görevler de dahil olmak üzere çeşitli görüntü işleme, sınıflandırma görevlerine ve hastalık
teşhisini tahmin etme gibi daha üst düzey görevlere uygulanmıştır. Görüntüdeki kalıplar temelinde
tedavi yanıtının tahmini ile ilgilidir. Son uygulamadan bağımsız olarak, başlangıçta uygun görüntü
temsillerini çıkarmak için yapay zeka uygulamaları oluşturulur ve bu uygulamalar, tanısal veya
tahminsel görev için bir makine sınıflandırıcısını eğitmek için kullanılabilir. Dijital patolojide çeşitli
yapay zeka uygulamaları, patologlar ve patoloji çalışanları için zaman alan görevleri otomatikleştirme
ihtiyacına odaklanmıştır ve daha sonra üst düzey karar verme görevlerine ek zaman harcamalarını
sağlar. Ek olarak, dijital patolojide yapay zeka uygulamaları giderek daha fazla yaygınlaşmaktadır
(Akt:Bera vd.., (2019).

1.2. BLOCKCHAIN VE WEB3 TEKNOLOJİSİ

Son yıllarda, blockchain tabanlı teknolojiler yeni bir finansal devrim başlattı. Bu finansal
devrimin yanı tedarik zincirleri, kayıt saklama, akıllı sözleşmeler, otomotiv endüstrisi, sağlık
hizmetleri, akıllı şebekeler vb. gibi diğer araştırma alanları da blok zinciri tabanlı teknolojilerden
etkilenmiştir (Taralunga vd.., (2021). Blok zincirinin teknolojisi üzerine inşa edilen Web3 kavramı,
Web1 ve Web2’den bir evrim olarak ortaya çıkmıştır. Web3 merkezi olmayan (mülkiyet içerik
oluşturucular ve kullanıcılar arasında dağıtılır), izinsiz (içeriğe eşit erişim) ve güvenilir ( üçüncü bir
tarafa dayanmayan açık kaynaklı, fikir birliğine dayalı kod aracılığıyla) bir interneti belirtir. Web3'teki
etkileşim, yerel, dijital, kriptografik olarak tanımlanmış varlıklar tarafından desteklenir (Thrul vd..,
(2022).

1.2.1. Sağlık Alanında Blockchain Kullanımı

Koshechkin’e göre (Aktaran: Hersh WR, vd.., 2001) sağlık sistemleri işin kolaylığı
açısından geçen yüzyılda fazla değişmedi. Aynı süre zarfında, kullanılan teknolojik altyapı, son
yıllarda meydana gelen önemli değişikliklerle tamamıyla dijitalleşmeye başladı. Blockchainin sağlık
sistemlerini önemli ölçüde etkileyeceği tespit edildi. Blockchain teknolojisi sağlıkta hasta kayıtlarının
kaydedilmesi, klinik araştırmalar, teletıp çalışmaları gibi birçok alanda kullanılmaktadır. Blockchain
teknolojilerinin sağlık alanına sağladığı katkılar şu şekilde sıralanabilir:
- Maliyetlerde ve ekstra kaynak kullanımında azalma
- Doktorlara ve sağlık personellerine iş kolaylığı sağlama
- Hasta ve doktor verilerinin korunması ve korunması için gereken üçüncü bir kişiyi ortadan
kaldırma (Türkdoğan, (2021).
Blockchain’in sağladığı yararlar ve Web3 altyapısına geçiş nedeniyle yakın gelecekte sağlık
hizmetleri alanında bir devrimin kaçınılmaz olduğu düşünülüyor (Stephen P. Williams(2022).

1.3. Önceki Çalışmalar

Hemang Submarian ve arkadaşları‘nın yazmış olduğu makalede dijital patolojinin veri
iletimi, veri depolama gibi sorunlarına Web 3.0 tabanlı blockchain sisteminde tasarlanan dijital
patoloji uygulamasının önemli ölçüde çözüm olduğu gösterilmiştir.

1.4. Araştırma Sorusu

Dijital patoloji ve yapay zekânın birleştiği bir sistemle doktorların hastalık teşhisine yardımcı
olunabilir mi ayrıca dijital patolojideki veri güvenliği ve gizliliğinin sağlanamaması, geniş ağ
bantlarının olmaması ve depolama gibi sorunlar, Web3 ve Blockchain teknolojisinin sağladığı
merkeziyetsiz sistem ile çözülebilir mi?

2. Yöntem
Öncelikle sorunu ortaya çıkarmak için projenin ana hedef kitlesi olan patologlara anket
uygulanmıştır. Anket çevrim-içi anket olarak Google Forms kullanılarak hazırlanmış ve
uygulanmıştır. Bağıntılı değerlendirmeler için Google documents kullanılmıştır. Anket için izin
alınmış ve üniversite hastanesinin 15 patoloğu ankete cevap vermiştir. Bu proje ile geliştirilen dijital
patoloji portalı; anket uygulanan patalogların görüşleri dikkate alınarak şekillendirilmiştir. Ayrıca bir
patalogla görüşme yapılarak hastanelerin dijital patoloji durumları ve verilerin güvenliği ile
depolama anlamında sıkıntı yaşayıp yaşamadığı araştırılmıştır.

Projenin kullanıcı arayüzü digipath.live alan adında bir internet sayfası olarak bulunmaktadır.
Bu kullanıcı arayüzünü geleneksel Web2 konseptinden farklı merkeziyetsiz bir yapıda Web3
konseptine uygun olarak tasarlanmıştır. Kullanıcı arayüzü bir Javascript kütüphanesi olan React ile
tasarlanmıştır. Bu yapı üzerinde derin öğrenme metoduyla teşhis edilen göğüs ve akciğer kanserleri ile
dijital patoloji araçlarından biri olmuştur. Python kütüphanelerinden Tensorflow kullanılarak
oluşturulan derin öğrenme modeli kullanıcı arayüzü ile FastAPI kütüphanesi aracılığıyla
haberleşmektedir. Uygulamada kullanılan tüm teknolojiler ve uygulama akış diyagramı Şekil 2’de
gösterilmiştir.

Uygulama akışı şöyledir: Kullanıcılar (doktor veya hasta) digipath.live alan adına ulaşıp
uygulama arayüzüne erişmektedirler. Bir Web2 uygulamasında olduğu gibi giriş yapıp kayıt olmaları
gerekmektedir. Fakat Web2’den farklı olarak kayıt ve giriş işlemi Ethereum Ağına yüklediğimiz akıllı
kontratlar ile gerçekleşmektedir. Kullanıcılar, bu işlemde eşsiz Ethereum Ağ Adreslerini
kullanmaktadır ve bu adrese, arayüz ile Ethereum Blockchain arasında sağlayıcı görevi üstlenen
Metamask aracılığıyla erişmektedir. Giriş işlemi gerçekleştikten başarıyla sonra kullanıcılar Dijital
Patoloji Portalı’na erişebilmektedir. Doktorlar dijital patoloji araçlarını, hastalar ise sonuçlarını
görmektedir.

Şekil 2. Uygulama Şeması

2.1Kullanıcı Arayüzü(Front-end)
Kullanıcı arayüzünde, kullanıcı deneyiminin artması hedeflenerek sade ve basit tasarımlar
tercih edilmiştir. Arayüz, dağıtık bir depolama aracı olan IPFS üzerinde depolanmıştır. Site
tasarımında kullanılan diğer araçlardan en önemlisi bir tek-sayfa-uygulaması(SPA) olan React
olmuştur.

2.1.1 Arayüz - Blockchain Bağlantısı

React kullanılan web3 uygulamasında arayüz ile Ethereum Blockchain iletişimi, web3.js .
kütüphanesini kullanarak gerçekleştirilir. Bu kütüphane, Ethereum Blockchain ağına bağlantı kurmak,
veri göndermek ve veri almak için gerekli olan API'ları sağlar. Web3 uygulamalarının çeşitli
Blockchain ağlarına bağlanabilmesini sağlayan diğer ve en önemli araç Providerlardır. Çalışmada
kullanılan provider aracı Metamask olmuştur. Metamask, Ethereum Blockchain Node’ları ile
bağlantıyı JSON RPC protokolünü kullanır. Ethereum Ağına deploy edilen akıllı kontratlar
uygulamadaki araçların çalışmasını sağlamaktadır. Arayüz ile Blockchainin iletişimi şematize
şekil-3’te şematize edilmiştir.
Şekil 3. Frontend-Metamask-Ethereum Blockchain İletişimi

2.2. Ethereum Blockchain Ağına Deploy Edilen Akıllı Sözleşmeler

Uygulamadaki araçların merkeziyetsiz bir şekilde çalışması için akıllı kontratlar yazılmıştır.
Bu akıllı sözleşmeler Ethereum Ağında deploy edilmiştir. Bu sayede Metamask yüklü olan herhangi
bir cihazda herhangi bir sunucu kullanmadan Dijital Patoloji Portalı çalışabilecektir. Deploy edilen
akıllı sözleşmelerden doktor girişinde kullanılan akıllı kontrat şekil-4’da, hasta yönetiminde kullanılan
akıllı kontrat şekil-5’de bulunmaktadır.

Şekil 4. Doktor Girişi için kodlanan akıllı kontrat

Şekil 5. Hasta Yönetimi için kodlanan akıllı kontrat

2.3. Dijital Patoloji Portalı

Oluşturulan dijital patoloji portalında yapay zeka araçları, dijitalleştirilmiş görsel ve veriler,
hasta yönetimi ve konsültasyon merkezi gibi araçlar doktorlara sunulmuştur. Doktor girişi yapılan
portal görünümü Şekil 6’da belirtilmiştir. Bu araçlar, kullanılabilirliği arttırmak amacıyla eklenmiştir
ve yeni bir araç eklemeye uygun şekilde kodlanarak sürdürülebilir bir portal oluşturulması
hedeflenmiştir.

Şekil 6. Dijital Patoloji Portalı Arayüzü

2.4. Meme Kanseri Teşhisi Modeli

Yapay zeka uygulamaları bölümünde bulunan Meme Kanseri Teşhisi için derin öğrenme
modeli kodlanmıştır. Modeli eğitmek ve test etmek için bir veri setine ihtiyaç duyulmuştur. Bu ihtiyaç
doğrultusunda açık kaynak olarak paylaşılan veri setleri tercih edilmiştir((Lichman, 2013)). Python ve
modülleri ile kodlanan bu modelin eğitimi için 455, testi için 114 olmak üzere ayrılmıştır. Toplam 569
veriden oluşan bu veri setinde 357 iyi huylu(benign), 212 kötü huylu hücre verisi barındırmaktadır.
Veri seti temizlendikten sonra her bir veride 30 sütundan oluşan özellik bulunmaktadır. Modeli
Random Forest ve SVM algoritmaları ile sınıflandırma işleminden geçirilmiştir ve tahmin oranları
sırasıyla %96.49 ve %98.24 olmuştur.
Şekil 7. SVM algoritması kullanımı
Şekil 8. RandomForest algoritması kullanımı

2.5. Akciğer Kanseri Teşhisi Modeli

Yapay zeka uygulamaları bölümünde bulunan diğer derin öğrenme modeli Meme Kanseri
Teşhisi için kodlanmıştır. Modeli eğitmek ve test etmek için bir veri setine ihtiyaç duyulmuştur. Bu
ihtiyaç doğrultusunda açık kaynak olarak paylaşılan veri setleri tercih edilmiştir(Sarahmadbhat, 2021).
Python ve modülleri ile kodlanan bu modelin eğitimi için 247, testi için 62 olmak üzere ayrılmıştır.
Toplam 309 veriden oluşan bu veri setinde 357 iyi huylu(benign), 212 kötü huylu hücre verisi
barındırmaktadır. Veri seti temizlendikten sonra her bir veride 16 sütundan oluşan özellik
bulunmaktadır. Modeli Random Forest algoritması ile sınıflandırma işleminden geçirilmiştir ve
tahmin oranı %95.16 olmuştur.

3.Bulgular
● Anket Bulguları:
Patologlara uygulanan anket sonucundan elde edilen bulgular şu şekilde değerlendirilmiştir: Ankete
katılanların hepsi patalogtur. Ankete katılan patalogların %86,7’si dijital patolojide şimdiki merkezi
ağ sistemi olan Web2 yerine merkeziyetsiz bir ağ sistemi olan Web3 kullanılarak görüntülerin
iletimindeki hız, yüksek çözünürlük ve hasta verilerinin güvenliği teşhis ve tedavi aşamasının
kolaylaşmasını sağladığını düşünmektedir .Yine anket sonuçlarına göre ankete katılan patologların
tıbbi erişime ulaşmada zorluk çeken hastaların bulunduğu bölgeye dijital patoloji sayesindeki erişim,
hastanın sağlığına kavuşmasında etkin rol oynadığına %46,7’si katılmakta, %13,3’ü kesinlikle
katılmakta ve %20’si katılmaktadır . Patologların çoğu Dijital patoloji sayesinde hastanede mikroskop
gibi çözünürlük sağlayan ekipmanları depolama ihtiyaçlarının azalacağını bu sayede ekonomik olarak
hastane adına fayda sağlanacağını düşünmektedir. Patologlar, dijital patoloji ve Web3’ın birleştiği bir
sistem tasarımının depolanan verilerin doğruluğunu arttırıp doktor tanısını iyileştireceğine %33,3
katılmakta, %33,3 kısmen katılmakta ve %6,7 kesinlikle katılmaktadırlar. Çoğunluk Dijital patolojide
geleneksel internet(web2) yerine web3 ile merkeziyetiz güvenlik sistemi sayesinde kişisel verilerin
gelişmiş şifreleme yoluyla korunmasının önem taşıdığını düşünmektedir Depolanmanın dijital
patolojide önemli olduğunu ve dijital patolojide Web3 sayesinde yüksek veri depolama kapasitesinin
kolaylık sağlayacağını düşünmektedirler.Dijital patolojide derin öğrenme sayesinde yapay zekânın
elindeki verilerden yeni veriler üretmesinin kolaylık sağlayacağını düşünüyorum önermesine
patologların %66,7’si katılmakta %20’si kısmen katılmaktadır. Patologların %80’i Dijital patolojideki
Web3 sayesinde merkezi güvenlik sistemindeki maliyetten muaf olmak ekonomik açıdan fayda
sağlayacağına katılmaktadır.

● Uygulamanın Bulguları
Web2 uygulamalarında dijitalleştirilmiş görüntülerin depolanması için bir sunucu gerekmektedir.
Web3 uygulamalarında ise bu sunucu yerine merkeziyetsiz yapıda olan IPFS kullanılmıştır. Akıllı
sözleşmeler ile yapılan tüm işlemlerde kullanılan veriler blockchain ağında şifrelenmiş, veri güvenliği
ve gizliliği sağlanmıştır. Web2’de her zaman bu sağlanamayabiliyor. Web3 teknolojisinde P2P(eşler
arası) mantığı ile hasta ile doktor arasına aracı Web2 uygulamalarının aksine girememektedir. Web3
teknolojisinde veriler korunabilmiştir. Hastanede kullanılan web2 uygulamaları her hastane için
özelleştirilmiş kurulum gerektirmektedir. Yapılan uygulamada ise böyle bir durum söz konusu
değildir. Metamask yüklü olan her cihazdan sisteme erişilebilir ve kullanılabilirdir.

Modelin Bulguları
Meme kanseri iki farklı algoritma ile sınıflandırılarak %98e varan doğruluk oranı elde etmiştir.
Akciğer kanseri Random Forest algoritması ile sınıflandırarak %95’e varan doğruluk oranı elde
etmiştir.
Şekil 9. SVM sınıflandırma sonuçları
Şekil 10. RandomForest sınıflandırma sonuçları

● Uygulamanın Bulguları
1- Web2 uygulamalarında dijitalleştirilmiş görüntülerin depolanması için bir sunucu gerekmektedir.
Web3 uygulamalarında ise bu sunucu yerine merkeziyetsiz yapıda olan IPFS kullanılmıştır.
2- Akıllı sözleşmeler ile yapılan tüm işlemlerde kullanılan veriler blockchain ağında şifrelenmiş, veri
güvenliği ve gizliliği sağlanmıştır. Web2’de her zaman bu sağlanamayabiliyor.
3- Uygulama içerisinde yer alan konsültasyon merkezi ile doktorlar arasında tartışma ortamı oluştuğu
görülmüştür.
4- Web3 teknolojisinde P2P(eşler arası) mantığı ile hasta ile doktor arasına aracı Web2
uygulamalarının aksine girememektedir.
5- Web3 teknolojisinde veriler korunabilmiştir.
6- Hastanede kullanılan web2 uygulamaları her hastane için özelleştirilmiş kurulum gerektirmektedir.
Uygulamamızda ise böyle bir durum söz konusu değildir. Metamask yüklü olan her cihazdan sisteme
erişilebilir ve kullanılabilirdir.

4. Sonuç ve Tartışma
● Uygulamanın ve modelin test edilmesi, öngörüldüğü şekilde gerçekleşmiştir.
● Dijital patolojinin her hastanede olmamasının sebebi depolamanın yüksek maliyetli olması;
veri güvenliği ve gizliliği, ağ bantlarının yeterli genişliğe sahip olmaması olarak tespit
edilmiştir. Adnan Menderes Üniversite Hastanesindeki çalışan patologlarla yapılan ankette
hastaneneye dijital patoloji gelmesiyle işlem kolaylığı sağlanacağı düşünülmektedir. Ayrıca
Adnan Menderes Üniversitesi Patoloji Bölüm Başkanı ile yapılan görüşmede maliyeti düşük
ve teknik zorlukları aşılmış bir dijital patoloji portalının zaman, emek ve para açısından
kazanç sağlayacağı dile getirilmiştir.
● Meme ve Akciğer kanserinde modelin Şekil 9 ve 10’da görüldüğü üzere %95’e varan
doğruluk oranı yakın gelecekte yapay zekânın doktorlara yardım konusunda aktif bir rol
oynayacağı görülmüştür.
● Web2 uygulamalarında dijitalleştirilmiş görüntülerin depolanması için bir sunucu
gerekmektedir. Web3 uygulamalarında ise bu sunucu yerine merkeziyetsiz yapıda olan IPFS
en kullanılmıştır bunun avantajı da dijital patoloji görüntülerinin tarandıktan sonra dijital
ortama aktarılması maliyeti yüksek bir işlemken, Web3 ve Blockchain altyapısında
tasarlanması dijital patoloji portalının merkeziyetsiz olmasını ve maliyeti düşürmesini
sağlamıştır.

5. Öneriler
Web3 ve Blockchain tabanlı Dijital Patoloji Portalı bir konsept uygulaması olmuştur. Bu portal, daha
fazla patolog geri bildirimi ile zenginleştirilebilir, diğer bilim dallarına uyarlanabilir.
Uygulamada bulunan Blockchain etkileşimi, yeni araçların eklenmesiyle daha da aktifleşebilir. Bu
aktiflik uygulamanın merkeziyetsiz yapısını pekiştirebilir.
Meme ve Akciğer kanser teşhisi için yapılan derin öğrenme modelleri farklı türde kanserler için
çoğaltılabilir. Bu modellerin sayısının artması uygulamanın kullanılabilirliği arttırabilir.

6.Kaynakça

Bera, K., Schalper, K. A., Rimm, D. L., Velcheti, V., & Madabhushi, A. (2019). Artificial intelligence
in digital pathology — new tools for diagnosis and precision oncology. Nature reviews. Clinical
oncology https://doi.org/10.1038/s41571-019-0252-y

BHAT, Mysar Ahmad Bhat (2022.) Lung Cancer, Retrieved from

https://www.kaggle.com/datasets/mysarahmadbhat/lung-cancer
Buterin V et al (2014) A next-generation smart contract and decentralized application platform.
Chang, A. (Jasmine), El-Rayes, N., & Shi, J. (2022). Blockchain Technology for Dawson H. (2022).
Digital pathology - Rising to the challenge. Frontiers in medicine,
https://doi.org/10.3389/fmed.2022.888896

Lichman, (2013.) The Breast Cancer Wisconsin (Diagnostic) dataset, used in this study, can be found
in the UCI Machine Learning Repository.

Onan A. , Usubütün A. , Sezer B. (2019) Patoloji Eğitiminde Harmanlanmış Öğrenme Yaklaşımının

Akademik Başarı ve Memnuniyet Üzerine Etkisi. Tıp Eğitimi Dünyası.
https://dergipark.org.tr/tr/pub/ted/issue/44031/480130#article_cite

Özdemir, H. G. (2021). Dijital Patoloji ve Yapay Zeka 23. Bölüm. C. Özlü, N. Köylüoğlu, M. A.
Gedik, H. S. Yangal, & A. Özlü içinde, Sağlıkta Yapay Zeka ve Uygulamaları (s. 237-246).
Akademisyen Kitapevi.

Sensu, S., Erdogan, N., & Gurbuz, Y. S. (2020). Patolojide dijital çağ ve yapay Zekâ: temel bilgiler.
DOI: https://doi.org/10.5336/medsci.2019-72835

Stephen P. Williams (2022), https://www.webmd.com/blockchainfutures

Subramanian, H., & Subramanian, S. (2022). Improving Diagnosis Through Digital Pathology:
Proof-of-Concept Implementation Using Smart Contracts and Decentralized File Storage. Journal of
medical Internet research, https://doi.org/10.2196/34207

Taralunga, D. D., & Florea, B. C. (2021). A Blockchain-Enabled Framework for mHealth Systems.
Sensors (Basel, Switzerland). https://doi.org/10.3390/s21082828

Lichman, 2013, The Breast Cancer Wisconsin (Diagnostic) dataset, used in this study, can be found in
the UCI Machine Learning Repository.

Thrul, J., Kalb, L. G., Finan, P. H., Prager, Z., & Naslund, J. A. (2022). Web3 and digital mental
health: Opportunities to scale sustainable mental health promotion and peer support. Frontiers in
Psychiatry .https://doi.org/10.3389/fpsyt.2022.945830

Türkdoğan Görgün, C. & Kurşun, A. (2021). SAĞLIK EKOSİSTEMİNDE BLOKZİNCİRİ

TEKNOLOJİSİNİN ROLÜ VE ÖNEMİ . Hacettepe Sağlık İdaresi Dergisi.
https://dergipark.org.tr/tr/pub/hacettepesid/issue/67142/908584