AIR-LEISH: Yapay Zekâ Tabanlı Leishmania amastigot Tespiti İçin Giemsa ile Boyanmış Mikroskopi Görüntülerinden Oluşan Bir Veri Seti

Neden küçük parazitler ve akıllı kameralar önemli?

Leishmaniasis, ağırlıklı olarak düşük gelirli bölgelerde milyonlarca insanı sessizce etkileyen parazit kaynaklı bir hastalıktır. Hekimler ve araştırmacılar hâlâ bağışıklık hücreleri içindeki paraziti fark etmek için boyanmış kan ve doku sürüntülerine mikroskop altında bakmaya büyük ölçüde güveniyorlar—bu, saatler sürebilen ve özel eğitim gerektiren zahmetli bir süreç. Bu makale, bilgisayarların bu parazitleri otomatik olarak tanımayı öğrenmesine olanak sağlayacak şekilde tasarlanmış, ücretsiz erişimli bir mikroskop görüntüleri koleksiyonu olan AIR-LEISH’i tanıtıyor; bu da tanı ve ilaç araştırmaları için daha hızlı, daha ucuz ve daha güvenilir araçların önünü açıyor.

Kevgir sineği ısırığından gizli istilacılara

Leishmaniasis, enfekte kevgir sineklerinin ısırmasıyla bulaşır ve deri yaralarına veya iç organların yaşamı tehdit eden enfeksiyonlarına yol açabilir. Parazit, makrofaj adı verilen beyaz kan hücreleri içinde yaşar ve çoğalır; küçük yuvarlak bir form olan amastigot olarak gizlenir. Bir hastanın ne kadar hasta olduğunu veya potansiyel bir tedavinin ne kadar iyi çalıştığını izlemek için araştırmacıların bu hücrelerin içinde ne kadar parazit olduğunu saymaları gerekir. Moleküler laboratuvar testleri parazit DNA’sını tespit edebilse de, özellikle kaynakların kısıtlı olduğu birçok hastane ve araştırma laboratuvarında basit ışık mikroskopları hâlâ temel yöntem olarak kullanılmaktadır. Ancak parazitleri gözle saymak yavaş, yorucu ve gözlemciler arasında değişkenlik gösterebilir.

Yapay görme için bir eğitim seti oluşturmak

Yapay zekâ, insanların ölçekte işlemekte zorlandığı veya sıkıcı bulduğu tıbbi görüntülerdeki desenleri tanıyabildiğini gösterdi. Ancak bunu iyi yapabilmek için yapay zekâ sistemlerine binlerce özenle etiketlenmiş örnek gerekir. Bugüne dek leishmaniasis için bu tür görüntü koleksiyonları nadirdi, eksikti veya erişimi zordu—özellikle hücre içindeki klinik olarak önemli amastigot evresi için. Yazarlar bu boşluğu doldurmak için AIR-LEISH’i oluşturdu: sıradan bir akıllı telefonun standart bir araştırma mikroskobuna takılarak yakaladığı, enfekte insan makrofajlarının 180 yüksek çözünürlüklü Giemsa ile boyanmış mikroskop görüntüsü. Her resim, farklı parazit türleri ve konak hücre tipleri kullanılarak hazırlanmış iki enfeksiyon düzeninden birine ait hücreleri gösteriyor; böylece gerçekçi görünüm çeşitliliği kapsanıyor.

Ham görüntüleri güvenilir yer gerçeğine dönüştürmek

Görüntüleri bilgisayarlar için kullanışlı kılmak amacıyla her hücre ve parazit elle izlenip etiketlenmek zorundaydı. Bir parazitoloji uzmanı önce özel bir notlandırma aracı kullanarak bireysel makrofajların konturlarını, çekirdeklerini ve küçük amastigotları işaretledi. Ardından bir yapay zekâ mühendisi bu işaretlemeleri piksel piksel düzeltti ve küçük ya da örtüşen parazitler dahil olmak üzere hassas şekiller ve sınırlar sağladı. Ekip, notlandırıcılar arasındaki tutarlılığı kontrol etti ve çok yüksek bir uyum buldu; bu da etiketlerin yer gerçeği olarak güvenilir olduğunu gösteriyor. Toplamda veri seti, 8.140 parazit, 1.511 konak hücresi ve 1.731 çekirdek ile birlikte bir algoritmanın hangi piksellerin hangi yapıya ait olduğunu tam olarak söylemesini sağlayan ayrı maske görüntülerini içeriyor.

Yapay zekâ modellerini teste sokmak

AIR-LEISH’in neler sağlayabileceğini göstermek için araştırmacılar iki yaygın kullanılan görüntü analiz sistemini eğitti. Birincisi U‑Net adını taşıyor ve her pikseli arka plan, parazit, hücre gövdesi veya çekirdek olup olmadığına göre renklendirmeye tasarlanmış. Diğeri YOLOv8 ise tespit ettiği her nesnenin etrafına dikdörtgen kutular çiziyor ve onları sayıyor. Parazitlerin küçük boyutuna ve görüntü sayısının sınırlılığına rağmen her iki model de parazitleri konak hücrelerinden ayırt etme ve bulma konusunda iyi performans gösterdi; hem doğruluk hem de güvenilirlik açısından yüksek puanlar elde ettiler. Modeller, çoğunluğu temiz olan yüzlerce hücre arasında tek bir enfekte hücreyi bile tespit etmeyi başardı; bu da gelecekte çok duyarlı taramaları destekleme potansiyeline işaret ediyor.

Daha iyi bakım ve yeni tedaviler için kapılar açmak

AIR-LEISH’i kod ve ayrıntılı belgelemeyle birlikte Zenodo platformunda açıkça yayımlayarak yazarlar, özellikle sınırlı kaynakları olan gruplar için dünya çapında leishmaniasis’e yönelik yapay zekâ araçları geliştirmek ve karşılaştırmak adına pratik bir temel sağlıyorlar. Görüntüler aynı zamanda konak hücreleri ve çekirdekleri de içerdiğinden, veri seti hücre sayımı, enfeksiyon düzeyleri ve benzer bağışıklık hücreleri içinde yaşayan diğer patojenler gibi daha geniş çalışmaları da destekleyebilir. Basitçe ifade etmek gerekirse, bu çalışma uzmanların mikroskop başında harcadığı saatleri yeniden kullanılabilir bir dijital kaynağa dönüştürerek tanı, ilaç keşfi ve nihayetinde göz ardı edilmiş fakat ciddi bir hastalıkla mücadeleyi hızlandırmaya yardımcı oluyor.

Atıf: Oualha, R., Fekih-Romdhane, N., Driss, D. et al. AIR-LEISH: A Dataset of Giemsa-Stained Microscopy Images for AI-based Leishmania amastigotes Detection. Sci Data 13, 328 (2026). https://doi.org/10.1038/s41597-026-06676-8

Anahtar kelimeler: leishmaniasis, mikroskopi görüntüleri, tıbbi görüntüleme yapay zekâsı, parazit tespiti, bulaşıcı hastalık teşhisi