Amaç: Bu çalışmada kod bilgisi gerektirmeyen, internet tabanlı, ücretsiz “Teachable Machine” (TM) platformunun optimum hiperpa- rametrelerde şaşılık varlığı ve tiplerini saptamadaki etkinliğinin değer- lendirilmesi amaçlanmaktad ır. Gereç ve Yöntemler: Kliniğimize gözde kayma şikâyeti ile başvuran hastalardan elde edilen görüntüler analiz edilmiş olup, çalışma kriterlerine uygun olan 523 [176 ezotropya (ET), 195 ekzotropya (XT), 152 ortoforik (ORTO)] görüntü çalışmaya dâhil edilmiştir. Görüntüler TM platformuna yüklendikten sonra opti- mum hiperparametrelerin belirlenmesi için döngü sayısı 4.000’e sabit- lenerek 6 farkl ı küme boyutu ve 9 farkl ı öğrenme oranı ızgara arama metodu ile test edildi. Test edilen hiperparametrelerde elde edilen doğ- ruluk ve hata değerleri kaydedildi. Bulgular: En yüksek genel test doğ- ruluğu 0,887 olarak saptanm ış olup bu do ğruluğun elde edildi ği hiperparametreler döngü sayısı için 200, küme boyutu için 256 ve öğ- renme oranı için 0,0005 olarak tespit edilmiştir. Bu parametrelerle eği- tilen TM modelinde alt gruplarda s ırasıyla ET: 0,96, ORTO: 0,78 ve XT: 0,9 doğruluk elde edilmiştir. Sonuç: Yapay zekâ modelinin geliş- tirilmesi aşamasında optimum doğruluğu elde edebilmek için mevcut veri setinin büyüklüğü ve verilerin karma şıklığına bağlı olarak kulla- nıcılar uygun hiperparametre de ğerlerini belirlemelidir. Optimum hi- perparametreler belirlenerek elde etti ğimiz sonuçlar şaşılık varlığının kod bilgisi gerektirmeyen, internet tabanlı, ücretsiz derin öğrenme plat- formu olan TM ile yüksek do ğrulukta saptanabileceğini göstermekte- dir.
Objective: This study aims to analyze the effectiveness of the internet-based, free Teachable Machine (TM) platform, which does not entail code knowledge, in detecting the presence and types of strabismus in the optimum hyperparameters. Material and Methods: The images obtained from the patients who presented to our clinic with the complaint of ocular deviation were analyzed, and 523 [176 esotropia (ET), 195 exotropia (XT), and 152 orthophoria (ORTHO)] images were included in this study. After the images were uploaded to the TM plat- form, 6 different batch sizes and 9 different learning rates were tested using the grid search method, with the number of epochs fixed at 4,000 to determine the optimum hyperparameter. Results: The highest over- all test accuracy was 0.887, and the hyperparameters from which this accuracy was obtained were 200 for the number of epochs, 256 for the batch size, and 0.0005 for the learning rate. In the TM model trained with these parameters, accuracy values of ET: 0.96, ORTHO: 0.78 and XT: 0.9 were obtained in the subgroups, respectively.Conclusion: To achieve optimal accuracy at the stage of development of the artificial intelligence model, users should determine the appropriate hyperpa- rameter values depending on the size of the available dataset and the complexity of the data. The results we obtained by determining the optimum hyperparameters have revealed that the presence of strabis- mus can be detected with high accuracy using TM, an internet-based, free deep learning platform that does not entail having code know- ledge.
