Tüm Histopatoloji Kategorilerini Kapsayan Zincirleme Düşünce Muhakemesi Meme Ultrason Veri Seti

Bu araştırma neden önemli

Meme kanseri taraması, özellikle daha genç kadınlarda ve mamografinin daha az erişilebilir olduğu yerlerde giderek daha fazla ultrasona dayanıyor. Ancak bu taramaları okuyan en iyi yapay zekâ (YZ) araçları bile sıklıkla siyah kutu gibi davranıyor; iyi veya kötü huylu gibi bir hüküm veriyor ama bu sonuca nasıl ulaştıklarını göstermiyor. Bu makale, yalnızca YZ’nin kanseri tespit etmesine yardımcı olmakla kalmayıp aynı zamanda uzman radyologların zor vakaları nasıl düşündüğünü yansıtan şekilde “yüksek sesle düşünmesini” öğretmeyi amaçlayan, yeni ve açıkça erişilebilir bir meme ultrasonu veri seti olan BUS-CoT’u tanıtıyor.

Bulanık taramalardan yapılandırılmış ipuçlarına

Ultrason görüntüleri gürültülü ve yorumlaması zor olabilir, uzmanlar için bile. İnsan uzmanlar bir taramaya bakıp anında tanıya atlamazlar; bir kitlenin oval mi yoksa düzensiz mi olduğu, kenarlarının düzgün mü yoksa sivri mi olduğu, gölge verip vermediği ve küçük parlak noktaların kalsifikasyonlara işaret edip etmediği gibi görsel ipuçları zincirini ararlar. Bu ipuçları daha sonra BI-RADS sistemi gibi standart kurallarla birlikte değerlendirilir, bir lezyonun kanser olma olasılığı tahmin edilir ve biyopsi gerekip gerekmediğine karar verilir. Mevcut YZ sistemleri genellikle bu adım adım muhakemeyi atlayıp piksellerden doğrudan bir tahmine geçer; bu da kararlarını güvenilir olmaktan uzak ve nadir ya da alışılmadık vakalara uygulamayı zorlaştırır.

Gerçek dünya vakalarından zengin bir koleksiyon

BUS-CoT veri seti, yayınlardan, açık veri setlerinden ve çevrimiçi vaka depolarından çok kıtalı ve farklı ultrason cihazları türlerinden elde edilen 4.838 hastadaki 11.850 lezyona ait 11.439 meme ultrasonu görüntüsünü toplayarak bu sorunları ele alıyor. Kritik olarak, koleksiyon Dünya Sağlık Örgütü tarafından tanımlanan 99 meme doku kategorisinin tamamını kapsıyor; fibroadenom gibi yaygın iyi huylu kitlelerden nadir ve agresif kanserlere kadar. Bu geniş kapsama, nadir hastalıkları genellikle tamamen kaçıran daha önceki veri setlerinin önemli bir zaafını gideriyor ve YZ sistemlerinin doktorların en çok zorlanabileceği tam bu tür vakalara karşı yetersiz hazırlıklı olmasını önlüyor.

Makinelere muhakeme izini takip etmeyi öğretmek

HAM görüntülerin ötesinde, BUS-CoT çok katmanlı uzman anotasyonu sağlıyor. Radyologlar önce bir kitle olup olmadığını, kalsifikasyonların varlığını ve lezyonun yerini gibi temel gözlemleri kaydediyor. Ardından şekil, kenarlar, iç eko desenleri ve daha fazlası gibi ayrıntılı görsel özellikleri not ediyor, BI-RADS kategorilerini atıyor ve bu görüntüleme bulgularını doku örneklerinden doğrulanmış patoloji ile ilişkilendiriyorlar. Son olarak bu yapılandırılmış bilgiyi bir anlatı zincirleme düşünceye çeviriyorlar: taramadaki görülenleri belirli bir tanının neden muhtemel olduğunu bağlayan kısa adım adım açıklamalar. Otomatik üretilen metinlerin aksine, bu muhakeme zincirleri deneyimli meme görüntüleme uzmanları tarafından oluşturulmuş ve doğrulanmıştır; böylece modellerin öğrenebileceği gerçek klinik mantık korunmuş oluyor.

Veri setini teste koymak

Bu kaynağın neler yapabileceğini göstermek için yazarlar, BUS-CoT üzerinde çeşitli modern görüntü ve görsel-dil modelleri eğitti; odaklandıkları yüksek kaliteli kürate edilmiş alt küme 5.163 lezyon merkezli görüntüden oluşuyordu. Geleneksel görüntü ağları lezyonları iyi huylu veya kötü huylu olarak sınıflandırmayı öğrendi; ileri bir görsel-dil modeliyse hem görüntüyü görmeyi hem de cevabını vermeden önce bir muhakeme zinciri üretmeyi öğrendi. Model bu yapılandırılmış şekilde muhakeme yapmaya zorlandığında doğruluğu iyileşti; özellikle iyi ve kötü huylu lezyonların birbirine benzediği belirsiz vakalarda. Başka bir deyişle, modeli radyologların kullandığı aynı görsel ipuçları boyunca “yürütmek” onun daha iyi ve daha güvenli kararlar almasına yardımcı oldu.

Bu çalışma gelecekteki bakımı nasıl şekillendirebilir

Hastalar ve klinisyenler için BUS-CoT’un vaadi, yalnızca insan doğruluğuna eşleşen değil, aynı zamanda klinik anlamlı şekilde kendini açıklayan YZ araçlarında yatıyor. Binlerce ultrason görüntüsünü titizlikle belgelenmiş muhakeme ile eşleştirerek ve meme doku tanılarının tüm spektrumunu—nadir olanlar da dahil—kapsayarak bu veri seti, zor kenar vakalarını ele alabilen ve önerilerini gerekçelendirebilen YZ sistemleri için zemin hazırlıyor. Genetik veya tıbbi öykü gibi daha geniş klinik bilgileri henüz içermese de, BUS-CoT ultrason tabanlı tanıda daha şeffaf ve güvenilir bir yöne doğru atılmış önemli bir adım; makinelerin gizemli kehanetçiler gibi değil, düşünce süreçleri incelenip geliştirilebilen titiz asistanlar gibi hareket etmesini sağlıyor.

Atıf: Yu, H., Li, Y., Niu, Z. et al. A Chain-of-thought Reasoning Breast Ultrasound Dataset Covering All Histopathology Categories. Sci Data 13, 370 (2026). https://doi.org/10.1038/s41597-026-06702-9

Anahtar kelimeler: meme ultrasonu, tıbbi görüntüleme yapay zekâsı, açıklanabilir yapay zekâ, meme kanseri tanısı, klinik veri setleri