Türkiye'de Kene Türlerinin Hızlı, Düşük Maliyetli ve Erişilebilir Teşhisi için Akıllı Telefon Tabanlı Yapay Zekâ Modeli

Hekimoğlu O. (Yürütücü), Kuyucu A. C., Güler E.

TÜBİTAK - AB COST Projesi , 2026 - 2029

Proje Türü: TÜBİTAK - AB COST Projesi
Başlama Tarihi: Ekim 2026
Bitiş Tarihi: Temmuz 2029

Proje Özeti

Türkiye’de kene kökenli hastalıklar, özellikle Kırım Kongo Kanamalı Ateşi (KKKA), halk sağlığı açısından ciddi bir tehdit oluşturmaktadır. 2002–2024 yılları arasında 17.000’in üzerinde vaka bildirilmiş, yüzlerce ölüm meydana gelmiştir. Bu hastalık, hem sağlık sistemi hem de tarım ve hayvancılıkla geçimini sağlayan kişiler üzerinde önemli bir ekonomik ve sosyal yük yaratmaktadır. Kene tutunma vakalarında bireylerin en büyük kaygısı, tutunan kenenin KKKA’nın başlıca vektörü olan Hyalomma marginatum olup olmadığıdır. Ancak mevcut tanı süreci uzman personel, mikroskop ve bazı durumlarda laboratuvar koşulları gerektirdiğinden zaman alıcı ve maliyetlidir. Bu durum, kene türlerinin hızlı, doğru ve erişilebilir biçimde tanımlanmasını sağlayacak yenilikçi çözümlere olan ihtiyacı ortaya koymaktadır.

Bu proje, Türkiye’de başta H. marginatum olmak üzere, yaygın görülen kene türlerinin akıllı telefon tabanlı yapay zeka algoritmalarıyla tanımlanmasını hedeflemektedir. Son yıllarda geliştirilen derin öğrenme (Convolutional Neural Network, CNN) tabanlı görüntü tanıma sistemleri, kene teşhisinde yüksek doğruluk oranlarına ulaşmış olsa da bu çalışmalar çoğunlukla Avrupa ve Amerika’daki türlerle sınırlıdır. Türkiye’nin ekolojik ve epidemiyolojik farklılığı göz önüne alındığında, yerel türlere özgü bir model geliştirilmesi hem bilimsel hem de toplumsal açıdan yenilikçi bir katkı sağlayacaktır. Projede Türkiye’ de geniş dağılım gösteren sekiz kene türüne (ör. H. marginatum, Hyalomma aegyptium, Haemaphysalis parva, Rhipicephalus sanguineus sensu lato, Rhipicephalus turanicus, Rhipicephalus bursa, Ixodes ricinus, Dermacentor marginatus) ait yüksek çözünürlüklü fotoğraflardan oluşan bir veri havuzu oluşturulacaktır. Tür teşhisleri hem morfolojik hem moleküler yöntemler kullanılarak gerçekleştirilecektir. Bu sayede, yapay zeka modelinin eğitimi için güvenilir bir referans veri seti elde edilecektir. Görseller, CNN tabanlı modeller (ör. ResNet, EfficientNet) ile eğitilecek; doğruluk, duyarlılık ve F1-skoru gibi ölçütlerle optimize edilecektir. Bu sistem, sahada yüksek riskli türlerin hızlı tanımlanmasını sağlayarak erken müdahaleye olanak tanıyacak, gereksiz hastane başvurularını azaltacaktır.

Proje, COST Action CA21170 (PRAGMATICK) kapsamında “Citizen Science Involvement in the DAMA Protocol (WG4)” çalışma grubunun hedefleriyle uyumlu olup vatandaş bilimi yaklaşımıyla farkındalık, eğitim ve dijital sağlık kapasitesinin güçlendirilmesine katkı sağlayacaktır.