Yapay Zeka Tabanlı İş Akışı ile Dermatopatoloji Ansiklopedisi DermpathNet’in Kurulması

Neden Yeni Bir Cilt Görüntü Kütüphanesi Önemli

Cilt kanserleri ve diğer büyümeler sıklıkla mikroskop altında incelenen ince doku kesitleriyle teşhis edilir; bu alana dermatopatoloji denir. Ancak doktorları eğitmek ve yapay zeka (YZ) araçlarını test etmek için kullanılan görüntüler genellikle erişim kısıtları veya gizlilik kurallarıyla sınırlandırılmıştır. Bu makale, Yapay Zeka desteğiyle oluşturulmuş, binlerce cilt biyopsi görüntüsünden oluşan, ücretsiz ve özenle incelenmiş bir derleme olan DermpathNet’i tanıtıyor. DermpathNet, klinisyenler ve araştırmacılar için öğrenmeyi, tanıların karşılaştırılmasını ve yeni bilgisayar araçlarının geliştirilmesini daha kolay ve güvenilir hâle getirmeyi amaçlıyor.

Gizlenen Öğretici Lamların Sorunu

Çoğu tıp öğrencisi ve asistan, tek bir hastane tarafından kontrol edilen cam lamlar veya dijital dosyalardan öğrenir. Bu materyaller hasta kimlik bilgileri içerebilir veya paylaşımı engelleyen lisanslara tabi olabilir. Mevcut çevrimiçi kaynaklar ya ücretli abonelik gerektirir, yalnızca birkaç örnek vaka sunar ya da tutarlı biçimde uzman incelemesinden geçmeyebilir. Sonuç olarak öğrenciler ve klinisyenler hem yaygın hem de nadir tümörleri gösteren geniş, güvenilir ve açık bir mikroskobik cilt görüntü koleksiyonundan yoksun kalır. Böyle bir kaynak olmadan vakaları karşılaştırmak, öğretimi standardize etmek veya bilgisayar görme sistemlerinin gerçek performansını adil biçimde değerlendirmek zordur.

Makaleler Denizinde Kaliteli Görüntü Bulmak

Yazarlar, içerikleri yasal olarak yeniden kullanılabilen geniş bir tam metin biyomedikal makale koleksiyonu olan PubMed Central’ın Açık Erişim arşivine yöneldi. Uzman girdisi ve standart tıbbi sözlüklerden oluşturulmuş 12 grup iyi huylu ve kötü huylu cilt tümörü ile yaklaşık 200 özgül tanıyı içeren yapılandırılmış bir liste (lexicon) ile başladılar. Bu lexicon’u kullanarak hastalık adlarının başlıklarda veya özetlerde geçtiği makaleleri sorguladılar, tam metinleri indirdiler ve tüm şekilleri ile şekil başlıklarını çıkardılar. Bu ilk aşama 43.000’den fazla makaleden 200.000’den fazla şekil elde etti—çok fazlaydı ve çoğu aslında mikroskobik cilt görüntüsü değildi.

YZ ve Anahtar Sözcüklerin Birlikte Çalışması

İlgisiz görüntüleri ayıklamak için ekip hibrit bir filtreleme sistemi oluşturdu. Sistemin bir kısmı, ayrı bir tıbbi görüntü koleksiyonunda eğitilmiş derin öğrenme modeli olup bir resmin patoloji lamı olup olmadığını belirliyordu. Diğer kısmı ise şekil başlıklarında büyütme düzeyleri veya boyama terimleri gibi mikroskop görüntülerine eşlik etmesi muhtemel ipuçlarını tarıyordu. Çok yaygın tanılar için yalnızca her iki testi de geçen görüntüler tutuldu, böylece saflık artırıldı; nadir tanılar içinse kıt örneklerin kaçırılmaması adına bu testlerden birini geçenler kabul edildi. Bu hibrit yöntem, 651 elle etiketlenmiş görüntüden oluşan insan “altın standart”ıyla karşılaştırıldığında güçlü bir performans gösterdi; F-skoru %90’ın üzerinde olup yalnızca YZ veya yalnızca anahtar sözcükleri kullanmaktan daha iyi sonuç verdi.

DermpathNet’in İçeriği ve Kullanımı

İşlem sonrasında iş akışı 166 farklı cilt tümörü tanısını kapsayan 7.772 görüntü üretti. Her görüntü, kurul onaylı dermatopatologlar tarafından incelendi ve her biri kaynak makale, hastalık türü ve standartlaştırılmış tıbbi kodları tanımlayan zengin meta verilerle ilişkilendirildi. Veri kümesi, kullanıcıların hastalık kategorisine, belirli tanıya veya orijinal yayına göre gezinebileceği ve lisans bilgilerini takip edebileceği şekilde düzenlendi. Eğitimin ötesinde, yazarlar DermpathNet’i modern bir görsel-dil modeli olan GPT‑4v’nin sınırlarını test etmek için kullandılar. Gerçek/yanlış, açık uçlu ve çoktan seçmeli formatlarda bu zorlu görüntülerde belirli cilt tümörlerini tanımlaması istendiğinde model kötü performans gösterdi; kısa bir seçenek listesi verildiğinde dahi doğru tanıyı sıklıkla tanıyamadı.

Bu Doktorlar ve Makineler İçin Ne Anlama Geliyor

Uzman olmayanlar için DermpathNet, insan uzmanların son kontrollerine odaklanmasını sağlayan akıllı bir sıralama sistemiyle oluşturulmuş, yüksek kaliteli ve açıkça paylaşılan mikroskobik cilt tümörleri atlası olarak düşünülebilir; böylece manuel taramaya harcanan çaba azalır. Kurumlar arası eğitim ve karşılaştırmayı kolaylaştırır ve görsel görevin zorluğunu ortaya koyar: en son teknoloji bir YZ sistemi bile bu görüntülerde zorlandı. Yazarlar, YZ’nin bu tür kaynakları derlemede yardımcı olabileceği sonucuna varıyor, ancak bugünün genel amaçlı modellerinin dermatopatolojide uzman yargısının yerini alacak kadar olgun olmadığını vurguluyorlar. Bunun yerine DermpathNet, öğretim ve gerçekten cilt hastalığı tanısında yardımcı olabilecek bir sonraki nesil özel tıbbi YZ araçlarının geliştirilmesi için sağlam bir temel sunuyor.

Atıf: Xu, Z., Lin, M., Zhou, Y. et al. Establishing dermatopathology encyclopedia DermpathNet with Artificial Intelligence-Based Workflow. Sci Data 13, 368 (2026). https://doi.org/10.1038/s41597-026-06715-4

Anahtar kelimeler: dermatopatoloji, tıbbi görüntü veri kümesi, yapay zeka, cilt kanseri, dijital patoloji