Temel modeller kullanılarak diyabetik retinopati tespiti için çokmodlu bir retina görüntü veri kümesi

Göz hasarını erken yakalamak neden önemli

Diyabetle yaşayan kişilerde, gözün arkasındaki ışığı algılayan doku yıllarca sessizce bozulabilir ve görme belirgin şekilde bulanıklaşana dek ilerleyebilir. Belirtiler ortaya çıktığında bazı zararlar kalıcı olabilir. Hekimler düzenli göz taramalarının sorunları erken aşamada tespit edebileceğini biliyor, ama binlerce görüntüyü elle okumak yavaş ve maliyetlidir. Bu çalışma, yapay zekâ (YZ) sistemlerinin diyabetik göz hastalığını daha doğru ve güvenilir şekilde öğrenmesine yardımcı olmak için tasarlanmış, büyük ve dikkatle etiketlenmiş bir retina görüntü koleksiyonunu tanıtıyor; böylece çok daha fazla hasta için daha erken uyarı sağlanabilir.

Aynı göz sorununu gösteren farklı kamera görünümleri

Göz doktorları diyabete bağlı hasarı aramak için birkaç tip kamera kullanır. Göz arkasının standart renkli fotoğrafları, küçük kan lekelerinin, yağlı birikintilerin ve yeni, hassas damarların ortaya çıkabileceği yuvarlak, kırmızımsı bir görünüm gösterir. Ultra‑geniş alan görüntüler, erken hasarın gizlenebileceği retina kenarları dahil çok daha geniş bir bölgeyi yakalar. Üçüncü bir araç olan optik koherens tomografi (OCT), retinayı kesitsel olarak dilimler; şişlikleri ve görmeyi tehdit eden maküler ödemle ilişkili sıvı ceplerini ortaya çıkarır. Her yöntem aynı hastalık sürecinin farklı parçalarını gösterir ve birlikte göz sağlığı hakkında daha bütüncül bir tablo sunar.

Bu görüntü koleksiyonunda yenilik nedir

Mevcut kamuya açık veri kümeleri diyabetik göz taraması için pek çok YZ sistemini besledi, ancak çoğu yalnızca tek bir görüntüleme yöntemine odaklanıyor ve genellikle tek bir genel hastalık derecesi gibi kaba etiketler sunuyor. Bazılarında gürültülü etiketler veya önemli lezyon türlerinin eksikliği var; çoğu geniş alan görüntüleri veya maküler şişlik hakkında ayrıntılı bilgi içermiyor. Yeni MMRDR veri kümesi bu boşlukları doldurmayı amaçlıyor. Standart renkli fotoğraflar, ultra‑geniş alan görüntüleri ve OCT taramalarından oluşan üç modalitede toplam 24.460 görüntü topluyor ve zengin uzman açıklamaları ekliyor. Renkli ve geniş alan görüntüler için doktorlar beş basamaklı bir ölçekle genel hastalığı derecelendirdiler ve damar balonlaşmaları, kanamalar ve retina dekolmanı gibi yedi spesifik lezyon türünü kaydettiler. OCT taramalarında ise maküler ödemin yokluğu, merkezin dışında olması ya da doğrudan görme merkezini etkilemesi durumları tanımlandı.

Görüntüler nasıl seçildi ve etiketlendi

Yazarlar standart renkli fotoğrafları mevcut bir kamu yarışması veri kümesinden alırken, geniş alan ve OCT görüntülerini diyabetli kişilere odaklanan büyük bir Çin göz hastanesinden temin etti. Kalan taramaların klinik olarak kullanışlı olmasını sağlamak için bulanıklık, yetersiz aydınlatma veya merkezi bölgelerin eksikliği gibi düşük kaliteli görüntüler çıkarıldı. Dört deneyimli oftalmolog ve bir kıdemli retina uzmanı uluslararası yönergelere dayanan açık derecelendirme kuralları geliştirdi. Uzman ilk olarak bir referans görüntü seti oluşturdu, sonra diğer değerlendiriciler bu sette uzmanın kararlarıyla yakınlaşana dek alıştırma yaptı. Ardından binlerce görüntüyü bağımsız olarak etiketlediler ve belirsiz vakaları uzmana geri gönderdiler. Nihai koleksiyon titiz etiketleme ile doktorlar arasındaki güçlü uyumu dengeleyerek YZ için güvenilir bir öğretim seti oluşturuyor.

Bugünün YZ’sini yarının göz verileri üzerinde test etmek

Araştırma ekibi daha sonra veri kümesini birkaç tür gelişmiş YZ modelini değerlendirmek için kullandı. Genel görüntüler ve metinler üzerinde önceden eğitilmiş büyük görsel‑dil modelleri, günlük fotoğraflar üzerinde eğitilmiş standart görüntü sınıflandırıcıları ve göz görüntüleri üzerinde önceden ayarlanmış daha yeni "temel" modeller test edildi. Genel olarak modeller en çok ultra‑geniş alan görüntülerde zorlandı; çok daha geniş görüş alanı ve daha karmaşık örüntüler standart renkli fotoğraflarla karşılaştırıldığında doğruluğu düşürdü. Özellikle göz görüntüleri için tasarlanmış modeller, standarttan geniş alana geçişte genel çokmodlu sistemlere göre daha iyi aktarım gösterdi; bu da retinal yapıya dair bilginin gerçekten önemli olduğunu ima ediyor. Araştırmacılar bir büyük çokmodlu modeli MMRDR üzerinde ince ayar yaptıklarında performansı belirgin şekilde iyileşti; bu da bu veri kümesinin çok esnek YZ sistemlerini bile göz hastalıklarını daha yetkin şekilde ele alacak şekilde eğitebileceğini gösteriyor.

Geleceğin göz bakımına etkisi nedir

Basitçe söylemek gerekirse, bu çalışma diyabetik göz hasarını tespit etmeyi öğrenen bilgisayarlar için yüksek kaliteli bir öğretim kütüphanesi sunuyor. Üç tamamlayıcı görüntüleme yöntemini ve ayrıntılı uzman etiketlerini birleştirerek MMRDR veri kümesi, araştırmacıların hastalık şiddetini derecelendiren, bireysel lezyonları saptayan ve maküler şişliği izleyen YZ araçları geliştirmesine ve adil şekilde karşılaştırmasına olanak tanıyor. Bu görüntüler tek başına körlüğü tedavi etmeyecek olsa da, görmeyi tehdit eden değişiklikleri daha erken yakalayabilecek ve uzman düzeyinde göz bakımını diyabetle yaşayan çok daha fazla kişinin erişimine sokabilecek daha güvenilir otomatik tarama sistemleri için hayati bir temel sağlıyor.

Atıf: Tang, Z., Wang, L., Guo, Z. et al. A multimodal retinal image dataset for diabetic retinopathy detection using foundation models. Sci Data 13, 639 (2026). https://doi.org/10.1038/s41597-026-07005-9

Anahtar kelimeler: diyabetik retinopati, retina görüntüleme, tıbbi yapay zeka, temel modeller, oküler OCT