Deri histoloji görüntülerinin anlamsal segmentasyonu için artımlı öğrenme yaklaşımı

Bilgisayarlara deri örneklerini okumayı öğretmenin önemi

Deri kanseri dünya çapında en yaygın kanserlerden biridir ve doktorlar sıklıkla bir tümörün ne kadar ciddi olduğunu ve nasıl tedavi edileceğini belirlemek için mikroskop altında incelenen ince doku dilimlerine güvenirler. Bu lamların okunması yavaş, emek isteyen bir iştir ve uzmanlar arasında değişkenlik gösterebilir. Bu çalışma, bilgisayar sistemlerinin bu mikroskop görüntülerinde farklı deri dokularını ve kanserleri tanımayı nasıl öğrenebileceğini ve önemlisi, yeni görüntü türleri eklendikçe—bir insan stajyerin kariyeri boyunca öğrenmeye devam etmesi gibi—nasıl gelişmeye devam edebileceğini araştırıyor.

Basit evet–hayır cevaplardan ayrıntılı doku haritalarına

Mevcut birçok yapay zeka aracı bir görüntüye bakıp “kanser” veya “kanser yok” gibi dar bir soruyu yanıtlar. Bu tür evet–hayır kararları yararlı olsa da patologların gördüğü zengin ayrıntıyı yakalayamaz. Pratikte doktorlar aynı anda birçok yapıya bakar: farklı kanser türleri, sağlıklı deri katmanları, saç folikülleri, bezler, iltihaplı bölgeler ve daha fazlası. Bu çalışma bunun yerine her piksele on iki doku kategorisinden biri atanması esasına dayanan “anlamsal segmentasyon”a odaklanıyor. Bu, çeşitli kanserlerin ve normal dokuların tam olarak nerede olduğunu gösteren renk kodlu bir harita üreterek tanı ve tedavi planlaması için daha net bir rehber sunuyor.

Mevcut akıllı sistemlerin uyum sağlamakta neden zorlandığı

Günümüzün güçlü derin öğrenme modelleri genellikle tüm eğitim verilerinin bir anda mevcut olduğu varsayımına dayanır. Bir kez eğitildiklerinde bilgilerini “kilitleme” eğilimindedirler. Daha sonra farklı özelliklere sahip yeni veriler—örneğin başka bir büyütmedeki görüntüler—eklendiğinde, en güvenli seçenek genellikle tüm modeli baştan eğitmektir. Bu maliyetli ve yavaştır ve daha da kötüsü, yeni bilgi eklemek önceki görevlerde performansın sessizce bozulmasına neden olabilen “felaket unutma”ya yol açabilir. Oysa klinik ortamlarda tarayıcılar yükseltildikçe, görüntüleme ayarları değiştikçe ve hastaneler yeni örnek türleri topladıkça veriler sürekli evrilir. Bu değişiklikleri zarifçe içselleştiremeyen bir yapay zeka aracı günlük uygulamada güvenilir olmakta zorlanır.

İnsanların öğrenme biçiminden esinlenen adım adım öğrenme stratejisi

Yazarlar modern bir görsel transformer mimarisi olan SegFormer üzerine inşa ederek bunu melanom dışı deri kanseri için bir “artımlı öğrenme” sistemine dönüştürüyor. Model tüm verileri bir kerede görmek yerine, Queensland Üniversitesi’nin açık bir veri kümesinden alınan histoloji lamlarını kullanarak aşamalı olarak eğitiliyor. Önce ince ayrıntıların net olduğu yüksek büyütme (10×) görüntülerinden öğreniyor. Daha sonra 5× ve ardından 2× büyütme görüntüleri ekleniyor; bu sırada önceki yüksek ayrıntılı verinin bir kısmı karışıma dahil tutuluyor. Özel kayıp fonksiyonları, modelin yeni sürümünün dokusal desenlerle ilgili önceki bilgisini korumasına yardımcı oluyor, aynı zamanda daha kaba, daha uzak görünümlere uyum sağlıyor. Bu “unutmadan öğrenme” bilgiyi bir önceki modelin yeni modele öğretmenlik yaptığı bilgi damıtma (knowledge distillation) tekniğiyle ve hem eski hem yeni temsillerin uyumlu kalmasını teşvik eden karşılıklı damıtma terimiyle yönlendiriliyor.

Büyütme seviyeleri ve nadir doku tipleri arasında öğrenme

Histoloji görüntüleri sadece çok sayıda doku türü bulunduğu için değil, aynı zamanda bazı önemli yapıların nadir olması nedeniyle de zorludur. Veri kümesi bazal hücre karsinomu ve skuamöz hücre karsinomu gibi yaygın kanserlerin yanı sıra normal ve iltihaplı deri katmanlarını da içeriyor; her biri uzmanlar tarafından piksel düzeyinde anotlanmış—yüzlerce saat süren zahmetli bir işlem. Yazarlar bu dev slaytları küçük parçalara (patch) bölerek modele eğitim, doğrulama ve test setleri olarak dikkatle ayrılmış bir bölümleme kullanıyor ve her büyütmede doku sınıflarının karışımını koruyorlar. Sistemin nadir ama klinik olarak kritik bölgeleri tanımasına yardımcı olmak için, az temsil edilen sınıflar döndürme ile artırılıyor ve modele bu dokular birden fazla büyütme düzeyinde gösteriliyor. Bu çok çözünürlüklü maruziyet, aynı biyolojik yapının hem net bir yakın çekim hem de daha yumuşak, uzaklaşmış bir biçimde ortaya çıktığında tanınmasına yardımcı oluyor.

Modelin önceki araçlarla karşılaştırıldığında başardıkları

Kendi başlarına, her büyütmede ayrı ayrı eğitilmiş SegFormer modelleri birçok doku kategorisinde U-Net gibi önceki konvolüsyonel tasarımları şimdiden geride bırakıyor. Ancak artımlı öğrenme şeması uygulandığında—önce 10×, sonra 10× ve 5× birlikte, ve son olarak 10×, 5× ve 2× birlikte eğitildiğinde—kazançlar çarpıcı hale geliyor. Genel doğruluk yalnızca 10× görüntülerle yaklaşık %89’dan üç büyütme de dahil edildiğinde %95’in üzerine çıkıyor. Tahmin edilen ve gerçek bölgeler arasındaki örtüşme ölçüleri de istikrarlı şekilde iyileşiyor ve bazal hücre ile skuamöz hücre karsinomu gibi kanserler ile epidermis ve papiller dermis gibi önemli normal katmanlardaki performans rakip yöntemleri aşıyor. Önemli olan, her yeni büyütme seviyesi eklendiğinde modelin önceki öğrendiklerini unutmaması; bunun yerine dokusal yapı hakkındaki anlayışı daha sağlam ve genel hale geliyor.

Bu çalışma yapay zeka destekli tanıyı kliniğe nasıl yaklaştırıyor

Uzman olmayanlar için ana mesaj, yazarların eski becerilerini kaybetmeden yeni görüntü türlerini öğrenmeye devam edebilen bir deri doku “harita yapıcı”sı oluşturmuş olmalarıdır. Modelin aşama aşama nasıl öğrenmesi gerektiğini ve geçmiş bilgisini nasıl yeniden kullandığını dikkatle tasarlayarak, tıbbi görüntüleme uygulamaları geliştikçe uyum sağlayabilen yapay zeka araçları oluşturmanın mümkün olduğunu gösteriyorlar. Hastaneler ve hastalık türleri arasında daha fazla doğrulamaya ihtiyaç olsa da, bu artımlı, transformer tabanlı yaklaşım veriler değiştikçe güncel kalabilen, kanserlerin nerede olduğuna dair ayrıntılı görsel açıklamalar sunan ve nihayetinde patologların daha emin ve tutarlı tedavi kararları vermesine destek olabilecek AI sistemlerine işaret ediyor.

Atıf: Fatima, S., Salam, A.A., Akram, M.U. et al. Incremental learning approach for semantic segmentation of skin histology images. Sci Rep 16, 9593 (2026). https://doi.org/10.1038/s41598-025-31553-6

Anahtar kelimeler: deri kanseri, histoloji görüntüleri, anlamsal segmentasyon, artımlı öğrenme, derin öğrenme transformer'ları