Otomatik Hematolojik Analiz için Büyük Ölçekli Bir Periferik Kan Hücresi Veri Seti

Kan Hücresi Görüntülerinin Önemi

Her rutin kan testi, semptomlar belirginleşmeden çok önce enfeksiyonları, anemiyi veya hatta kan kanserlerini ortaya çıkarabilecek hücrelerin mikroskobik bir dünyasını barındırır. Hekimler geleneksel olarak bu hücreleri mikroskop altında gözle inceler; bu dikkatli ama zaman alıcı bir iştir. Bu çalışma, bilgisayarlara bu hücreleri otomatik olarak tanımayı öğretmek üzere tasarlanmış, çok büyük ve dikkatle etiketlenmiş bir kan hücresi görüntü koleksiyonunu tanıtıyor. Amaç, yapay zekaya ihtiyaç duyduğu görsel deneyimi vererek gelecekteki kan testlerini daha hızlı, daha tutarlı ve daha yaygın erişilebilir hale getirmek, böylece doktorlara kan yaymalarını doğru okumada yardımcı olmaktır.

Basit Sayımlardan Akıllı Görüntülemeye

Beyaz kan hücreleri bağışıklık sistemimizin ana savunucularıdır ve karışımları ile görünümleri sağlığımız hakkında önemli ipuçları sunar. Bazı hücre tiplerindeki artış enfeksiyon veya alerjiye işaret edebilirken, olgunlaşmamış “blast” hücrelerinin ani ortaya çıkışı lösemi uyarısı verebilir. Laboratuvarlar zaten hücreleri saymak için otomatik makineler kullanıyor, ancak ince şekil değişiklikleri çoğunlukla hâlâ bir uzman gözü gerektirir. İnsan değerlendiriciler arasında görüş ayrılıkları olabilir ve lamları tek tek incelemek zaman alır. Tıp dijital görüntüleme ve yapay zekaya daha fazla dayandıkça, bilgisayarları bu belirleyici hücre desenlerini deneyimli bir hematolog kadar güvenilir şekilde tanıyacak şekilde eğitebilecek büyük ve güvenilir görüntü koleksiyonlarına olan ihtiyaç artmaktadır.

Büyük Bir Kan Hücresi Kütüphanesi Oluşturmak

Yazarlar, KU-Optofil PBC adlı, şu anda halka açık en büyük periferik kan hücresi görüntü koleksiyonunu oluşturdular. Veri seti, lenfositler ve segmentli nötrofiller gibi yaygın savunucuların yanı sıra blastlar, miyelositler ve reaktif lenfositler gibi daha nadir ama tıbben kritik tipleri de içeren 13 grupta dağılan 31.489 yüksek çözünürlüklü tek hücre görüntüsü içeriyor. Tüm görüntüler, aynı hastanede standart koşullarda hazırlanmış boyanmış kan yaymalarından ve aynı görüntüleme sistemi kullanılarak elde edildi. Bu tutarlılık, verilerden öğrenen bilgisayarların her hücre tipini uyumsuz resim yamaları yerine stabil, iyi kontrol edilmiş bir görünüm olarak görmesini sağlar.

Uzman Bakışı ve Dikkatli Kürasyon

Veri setini güvenilir kılmak için her görüntü iki deneyimli laboratuvar teknisyeni tarafından bağımsız olarak etiketlendi ve anlaşmazlıkları çözmek üzere üçüncü bir uzman devreye girdi. İstatistiksel kontroller, bazı hücre tipleri için mükemmel uyum da dahil olmak üzere, her ana hücre tipi için değerlendiriciler arasında çok güçlü bir uzlaşma gösterdi. Ekip ayrıca hangi görüntülerin saklanacağına karar vermek için bulanık, örtüşen veya kötü boyanmış hücreleri elenerek sıkı kurallar uyguladı. Son görüntülerin hepsi aynı boyut ve renk formatında olup eğitim, doğrulama ve test klasörlerine düzenlenmiş, böylece diğer araştırmacılar algoritmaları adil bir biçimde karşılaştırabiliyor. Ek dosyalar her görüntüyü anonim bir hasta ile ilişkilendiriyor ve bu da bir modelin gerçekten bir kişiden diğerine genelleme yapıp yapamadığını test eden çalışmalara olanak tanıyor.

Yapay Zeka Modellerini Sınamak

Bu kütüphanenin ne kadar faydalı olabileceğini göstermek için araştırmacılar klasik konvolüsyonel sinir ağlarından daha yeni dönüştürücü (transformer) tabanlı tasarımlara kadar 14 modern görüntü tanıma modelini eğittiler. Birkaç kompakt, verimli model şaşırtıcı derecede iyi performans gösterdi ve DenseNet-121 adlı bir mimari ortalama olarak hücreleri yüzde 95'ten fazla doğrulukla sınıflandırdı. Ancak sonuçlar aynı zamanda önemli bir gerçek dünya zorluğunu da ortaya koydu: binlerce örneğe sahip yaygın hücre tipleri neredeyse mükemmel tanınırken, sadece birkaç düzine görüntüye sahip çok nadir hücreler sınıflandırılması çok daha zor kaldı. Araştırmacılar eğitim sırasında bu az bulunan sınıflara “daha fazla dikkat etmeyi” ayarladıklarında bile genel doğruluk düştü ve nadir tipler için elde edilen kazançlar sınırlı kaldı; bu da sınırlı örneklerden öğrenmenin zorluğunu vurguluyor.

Gelecekteki Kan Testleri İçin Anlamı

Uzman olmayanlar için kilit mesaj şudur: Bu çalışma, bilgisayar sistemlerinin kan yaymalarını okumada güvenilir ortaklar haline gelmesi için ihtiyaç duyduğu ham görsel deneyimi sağlıyor. Büyük, çeşitli ve dikkatle kontrol edilmiş bir kan hücresi görüntü kütüphanesi derleyerek ve birçok farklı yapay zeka modelinin bundan öğrenebileceğini göstererek yazarlar teşhisi hızlandırabilecek, insan hatasını azaltabilecek ve uzman düzeyinde analizleri daha az uzman bulunan kliniklere kadar genişletebilecek araçların temelini atıyor. Aynı zamanda nadir hücre tipleri üzerindeki karışık sonuçlar, büyük veri setlerinin bile kör noktaları olabileceğini ve sıra dışı ya da erken evre hastalıkları olan hastaların bakımını iyileştirmek için bu görüntü koleksiyonlarının genişletilmesi ve iyileştirilmesinin gerektiğini hatırlatıyor.

Atıf: Yarıkan, A.E., Örer, C., Akyıldız, V. et al. A Large-Scale Peripheral Blood Cell Dataset for Automated Hematological Analysis. Sci Data 13, 417 (2026). https://doi.org/10.1038/s41597-026-06761-y

Anahtar kelimeler: kan hücresi görüntüleme, tıbbi yapay zeka, hematoloji, derin öğrenme, tıbbi veri setleri