İki büyük fundus kohortu kullanılarak retinal temel modellerde ön-eğitim verilerinin etkilerinin anlaşılması

Göz taramaları ve yapay zeka eğitim verilerinin neden önemli olduğu

Göz taramaları artık yalnızca göz hastalıklarını tespit etmek için değil, aynı zamanda diyabetten inme riskine kadar genel sağlığımız hakkında ipuçları vermek için de giderek daha fazla kullanılıyor. Temel modeller olarak adlandırılan güçlü yapay zeka sistemleri, bu milyonlarca görüntüden öğrenebilir ve sonra birçok tıbbi göreve uyarlanabilir. Bu çalışma basit ama önemli bir soruyu ele alıyor: Bu modelleri eğitmede kullandığımız veri türü — hastaların kim olduğu, nereden geldikleri ve taramalarının nasıl göründüğü — modellerin ne kadar iyi ve ne kadar adil çalıştığını değiştirir mi?

Farklı kıtalarda iki devasa göz görüntü koleksiyonu

Araştırmacılar incelemelerini, her biri yaklaşık 900.000 görüntü içeren iki çok büyük retinal fotoğraf koleksiyonu üzerine kurdular. Birincisi Birleşik Krallık’taki Moorfields Eye Hospital’dan geldi; burası uzman bir hastane olup hastaların daha yaşlı ve daha fazla göz hastalığı taşıma eğiliminde olduğu bir ortam. Diğeri ise Çin’deki Shanghai Diabetes Prevention Program’dan geldi; bu, daha genç ve çoğunlukla sağlıklı yetişkinleri kapsayan bir topluluk tarama programı. Yaş ve sağlık durumunun ötesinde, gruplar cinsiyet dengesi, etnik yapı ve görüntüleri çeken kamera cihazları bakımından da farklılık gösteriyordu. Ekip bu farklılıkları yaş ve cinsiyet gibi temel bilgiler, bilgisayar tarafından türetilen görüntü özellikleri ve gözün arkasındaki kan damarları ile optik sinirin klinik anlam taşıyan ölçümleri gibi yöntemlerle dikkatle ölçtü.

Genel performansı test etmek için ikiz yapay zeka modellerini eğitmek

Aynı eğitim prosedürlerini kullanarak grup, iki “ikiz” retinal temel model oluşturdu: biri yalnızca Birleşik Krallık hastane görüntüleriyle, diğeri yalnızca Çin tarama görüntüleriyle eğitildi. Her iki model de etiketlenmemiş taramalardan kendi kendine öğrenme yöntemleriyle bilgi edindi, sonra diyabetik göz hastalığını tespit etme ve inme riskini tahmin etme gibi belirli görevlere uyarlanarak değerlendirildi. Ana test, bir ortamda eğitilmiş bir modelin diğer ortamın verilerine veya birkaç farklı ülke tarafından toplanmış halka açık veri setlerine uygulandığında hâlâ iyi performans gösterip göstermeyeceğiydi. Çoğu görev ve veri setinde, iki model benzer performans gösterdi; daha önce görmedikleri ölçüde farklı görüntüler üzerinde bile. Bu, yeterli veriyle eğitilen retinal temel modellerin hastaneler, ülkeler ve kamera türleri arasında iyi genelleme yapabileceğini düşündürüyor.

Adaletin çatlaklar gösterdiği yerler: yaş ile cinsiyet ve etnik köken

İyi bir ortalama doğruluk, bir sistemin bazı insanlar için diğerlerinden daha iyi çalışması durumunda yeterli değildir. Adaleti incelemek için yazarlar, özenle seçilmiş bir test seti kullanarak iki modelin farklı yaş, cinsiyet ve etnik alt gruplarda nasıl performans gösterdiğini karşılaştırdılar. Yaş en çok etki eden faktör olarak ortaya çıktı. Daha yaşlı hastalardan oluşturulan Birleşik Krallık eğitimi modeli, genellikle daha ileri yaş gruplarında daha iyi performans gösterirken; daha genç yetişkinlerden oluşan Çin eğitimi modeli, daha gençlerde daha iyi çıktı. Bu farklar birkaç göz hastalığı görevinde tutarlı şekilde görüldü. Buna karşılık, erkekler ve kadınlar arasındaki veya başlıca etnik gruplar arasındaki performans farklılıkları daha küçük ve daha az tutarlıydı; ayrıca bu farklılıklar eğitim verisindeki temsil ile basit bir ilişkili takip etmedi.

Gözün kendisinin yaşla nasıl değiştiği

Yaşın bu kadar güçlü bir etkiye sahip olmasının nedenini anlamak için ekip, eğitim setlerinde retinanın görünümünün yaşla nasıl değiştiğini inceledi. Hem damarların ne kadar karmaşık ve dallandığı gibi klinik ölçümleri hem de yapay zeka modellerinin görüntülerden çıkaracağı soyut özellikleri değerlendirdiler. Yaş grupları her iki tür ölçümde de belirgin ve istatistiksel olarak anlamlı farklılıklar gösterdi; bu farklılıklar cinsiyet ve etnik köken kontrol edildikten sonra bile sürdü. Başka bir deyişle, retina yapısı yaşla gerçekten değişiyor ve modeller bu değişiklikleri algılayabiliyor. Bu nedenle bir yaş aralığı üzerinde yoğun şekilde eğitilmiş bir model o gruba daha iyi uyum sağlayabilir ve bu da ince ama önemli adalet boşluklarına yol açabilir.

Oyunu dengelemek için sentetik görüntülerin kullanılması

Yaşa bağlı bu boşlukları azaltıp azaltamayacaklarını görmek için araştırmacılar, daha genç hastalara benzeyecek şekilde tasarlanmış yüzbinlerce sentetik retinal görüntü ürettiler. Bunları gerçek hastane görüntüleriyle karıştırarak daha yaş dengeli bir eğitim seti oluşturdular ve yeni bir model eğittiler. Genel performans benzer kaldı, ancak bazı görevlerde gençler için doğruluk iyileşti ve yaş grupları arasındaki adaletsizlik azaldı. Bu deney, dikkatli şekilde eklenen sentetik verinin, çok daha fazla gerçek dünya görüntüsü toplama gereği duymadan tıbbi yapay zekanın kör noktalarını gidermeye yardımcı olabileceğini öne sürüyor.

Geleceğin tıbbi yapay zekası için bunun anlamı

Çalışma, tıbbi yapay zeka sistemlerine verilen verilerin “beslenmesinin” yalnızca bunların ne kadar güçlü olduğunu değil, aynı zamanda kimlerin onlardan en çok yararlandığını da güçlü biçimde şekillendirdiğini gösteriyor. Retinal temel modellerin ülkeler ve cihazlar arasında sağlam biçimde çalışabilmesi, küresel kullanım açısından cesaret verici. Aynı zamanda çalışma, belirli veri özelliklerinin — bu örnekte yaşın — adalet üzerinde diğerlerine göre daha büyük bir etkisi olduğunu ortaya koyuyor. Hastalar ve klinisyenler için çıkarım, eğitim verileri konusunda şeffaflığın ve anahtar özelliklerin kasıtlı olarak dengelenmesinin, her yaştan insanı adil şekilde hizmet edecek yapay zeka araçları istiyorsak zorunlu olduğudur.

Atıf: Zhou, Y., Wang, Z., Wu, Y. et al. Understanding pre-training data effects in retinal foundation models using two large fundus cohorts. Nat Commun 17, 3309 (2026). https://doi.org/10.1038/s41467-026-70077-z

Anahtar kelimeler: retinal görüntüleme, tıbbi yapay zeka adaleti, temel modeller, ön eğitim verisi, diyabetik retinopati