Yapılandırılmış, maddelere ayrılmış ve derecelendirilmiş radyolojik raporlarla kapsamlı bir yatak başı göğüs radyografisi veri kümesi

Daha akıllı göğüs röntgenlerinin önemi

Yoğun bakımda kritik durumda olan bir hastada basit bir göğüs röntgeni, akciğerlerinin sıvı ile dolup dolmadığını, kalbin büyüyüp büyümediğini veya hava yollarının çöküp çökmeyeceğini gösterebilir. Hekimler, hastaların durumunu izlemek için bu yatak başı röntgenleri gün be gün tekrarlarlar. Ancak bu görüntüleri okumak zordur; özellikle hastalar düzgün oturup ayakta duramıyorsa ve uzmanlar bile gördüklerini her zaman aynı biçimde ifade etmez. Bu makale, bilgisayarları akciğer ve kalp sorunlarını daha güvenilir biçimde tanıyıp derecelendirmeye öğretmek üzere tasarlanmış, büyük ve dikkatle etiketlenmiş bir yatak başı göğüs röntgeni koleksiyonu olan TAIX-Ray’i sunuyor — tanıyı hızlandırma ve aşırı çalışan sağlık personelini destekleme potansiyeli taşıyor.

Mevcut veri kümelerinin eksik kaldığı noktalar

Son on yılda büyük, herkese açık göğüs röntgeni koleksiyonları tıbbi görüntüleme için yapay zekada hızlı ilerlemeyi besledi. Ancak bu veri tabanlarının çoğu, radyoloji raporlarını dil işleme yazılımlarına verip hangi hastalıkların bulunduğunu tahmin ederek oluşturuldu. Bu kestirme yol iki önemli sorunu beraberinde getiriyor. Birincisi, gerçek klinik raporlar belirsiz veya ihtiyatlı ifadelerle doludur — bağlama göre farklı şekillerde yorumlanabilecek ifadeler. İkincisi, radyologlar belirsizliği ifade etmede geniş ölçüde farklılık gösterir; göğüs görüntüleme raporlarının yarısından fazlası en az bir çekingen ifade içerir. Bu dağınık dili basit “hastalık var” veya “hastalık yok” etiketlerine dönüştürmek veriye gürültü katar ve öğrenme algoritmalarını yanıltabilir; bu da en gelişmiş modellerin bile performansını sınırlayabilir.

Yeni bir röntgen koleksiyonu türü

TAIX-Ray, serbest biçimli metinler yerine yapılandırılmış raporlardan yola çıkarak bu zayıflıkları ele alıyor. Yazarlar, tek bir büyük hastanede 14 yıllık dönemde 47.724 yoğun bakım hastasından 215.381 yatak başı göğüs röntgeni topladı. Rutin bakım sırasında 134 eğitimli radyolog her röntgen için standartlaştırılmış elektronik bir form doldurdu. Rastgele bir ifade yazmak yerine, kalp boyutu, akciğerlerde sıvı aşırı yükü belirtileri, her iki tarafta akciğer etrafında sıvı, her iki tarafta akciğer içinde bulanık lekeler ve her iki tarafta akciğer dokusu çökmesi gibi kilit bulgular için madde madde değerlendirme puanları seçtiler. Her bulgu “yok”tan başlayıp “şüpheli”, “hafif”, “orta” ve “şiddetli”ye kadar sıralı bir ölçekte derecelendirildi (kalp boyutu benzer dört aşamalı bir ölçek kullandı). Bu yaklaşım sadece bir şeyin var olup olmadığını değil, ne kadar kötü olduğunu ve nerede yerleştiğini de yakalar.

Görüntülerin ve etiketlerin hazırlanışı

Hasta gizliliğini korumak için görüntülerden ve raporlardan tüm tanımlayıcı ayrıntılar kaldırıldı ve her hasta, hekim ve röntgene rastgele bir kod atandı. Hastane yazılımının düz metne dönüştürdüğü orijinal rapor formları, yalnızca önceden tanımlanmış derecelendirme sözcüklerini çıkaran ve ekstra yorumları gözardı eden özel bir bilgisayar betiğinden geçirildi. Görüntüler ise orijinal tıbbi formatlarından, tanısal ipuçlarını taşıyan ince parlaklık değişimlerini koruyarak standart gri tonlu resim dosyalarına dönüştürüldü. Her resim ayrıca daha kolay işleme için tutarlı bir maksimum boyuta yeniden boyutlandırıldı; orijinal tam çözünürlüklü versiyonlar saklandı. Esas veriye sahip olmayan veya birden fazla görüntü olup hangisinin derecelendirildiğinin belirsiz olduğu çalışmalar gibi belirsizlikler içeren kayıtlar, veri kalitesini korumak için dikkatle hariç tutuldu.

Örnek bir yapay zeka modelinin inşası ve testi

TAIX-Ray’in nasıl kullanılabileceğini göstermek için ekip, genel görüntü görevleri için geliştirilen bir derin öğrenme mimarisi olan “görsel dönüştürücü” (vision transformer) tabanlı modern bir görüntü analiz sistemi eğitti. Çok büyük koleksiyonlardan kendine faydalı görsel özellikleri öğreten önceden eğitilmiş bir modelden başlayarak, her göğüs bulgusunun varlığını ve derecesini tahmin etmeyi öğrenen katmanlar eklediler. İki ana deney yürüttüler. İlkinde model basitçe bir röntgenin normal mi yoksa anormallik mi gösterdiğine karar verdi. İkincisinde tüm bulgular için dereceli ölçeği tahmin etti. Hastaya göre ayrılmış eğitim, doğrulama ve test kümeleri kullanarak çakışmayı önlediler; model tüm görevlerde yüksek doğruluk ve orijinal radyolog derecelendirmeleriyle güçlü uyum gösterdi; özellikle akciğer çevresindeki sıvı ve kalp boyutundaki değişikliklerde performansı iyiydi.

Hastalar ve hekimler için bunun anlamı

Gerçek dünya yatak başı röntgenlerinin çok büyük sayısını tutarlı, ince derecelendirilmiş uzman etiketleriyle eşleştirerek TAIX-Ray, yalnızca “bir şey ters” demekten öteye giden yapay zeka araçları geliştirmek için bir temel sunuyor. Bu kaynakla eğitilen modeller, yaygın akciğer ve kalp sorunlarının ne kadar şiddetli olduğunu ve zaman içinde nasıl değiştiklerini tahmin etmeyi öğrenebilir; bu, yoğun bakımda tedavi kararları için hayati öneme sahip bilgiler sağlar. Veri, kod ve örnek modellerin kamuya açık olması sayesinde diğer araştırmacılar bunları yeniden kullanabilir, yöntemleri adil biçimde karşılaştırabilir ve yeni sorulara genişletebilir. Bu tür sistemler radyologların yerini almayacak olsa da, kritik vakaları önceliklendirme, ince değişiklikleri vurgulama ve hastanedeki en hasta hastalar için daha tutarlı değerlendirmeler sağlama gibi ikincil bir göz görevi görebilir.

Atıf: Truhn, D., Geiger, D., Siepmann, R. et al. A comprehensive bedside chest radiography dataset with structured, itemized and graded radiologic reports. Sci Data 13, 632 (2026). https://doi.org/10.1038/s41597-026-07271-7

Anahtar kelimeler: göğüs röntgeni yapay zeka, yoğun bakım görüntüleme, radyoloji veri kümeleri, akciğer ve kalp bulguları, tıbbi görüntü derecelendirmesi