Özelleştirilmiş derin sinir ağı kullanarak beyaz kan hücresi sınıflandırması ve görüntü özelliklerinin ısı haritalarıyla görselleştirilmesi

Neden Daha Akıllı Kan Testleri Önemli

Rutin bir kan testi enfeksiyon, alerji veya hatta kanserin erken belirtilerini ortaya çıkarabilir—ancak bugün bu bilgilerin çoğu hâlâ uzmanların hücreleri mikroskop altında dikkatle incelemesine dayanıyor. Bu süreç yavaş, maliyetli ve küçük kliniklerde ya da kırsal hastanelerde her zaman erişilebilir değil. Burada anlatılan makale, mikroskop görüntülerinden farklı beyaz kan hücresi türlerini doğru şekilde tanıyabilen kompakt bir yapay zekâ sistemi sunuyor; bu sayede daha hızlı ve daha güvenilir kan analizleri daha geniş hasta gruplarına ulaşabilir.

Vücudun Küçük Savunucuları

Beyaz kan hücreleri, vücudun mikroplara ve diğer tehditlere karşı ön saflardaki savunucularıdır. Birkaç ana çeşitte gelirler ve her birinin farklı görevleri vardır: bazıları bakterilerle savaşır, bazıları parazitlerle savaşır, alerjik yanıtlarda rol alır veya uzun vadeli bağışıklığı koordine etmeye yardımcı olur. Doktorlar genellikle bu hücrelerin sayısını ve türünü hastalıkları teşhis etmek ve tedavileri izlemek için inceler. Bugün bu işlem çoğunlukla ya mikroskop altında manuel sayım yoluyla—uzmanlık gerektiren ancak zaman alan bir görev—ya da birçok küçük laboratuvarın karşılayamadığı büyük otomatik makinelerle yapılmaktadır.

Manuel Sayımdan Dijital Göze

Son on yılda araştırmacılar beyaz kan hücrelerinin tanımlanmasını otomatikleştirmeye yardımcı olmak için bilgisayarlı görü ve makine öğrenmesine yöneldi. Temel programlar şekil ve renkleri ölçebilirken, daha gelişmiş sistemler görüntülerden doğrudan karmaşık desenleri öğrenebilen derin öğrenmeyi kullanır. Ancak birçok güçlü derin öğrenme modeli çok büyük olup önemli hesaplama gücü ve bellek gerektirir ve ağ içinde eğitim sinyallerinin “kaybolması” gibi sorunlarla karşılaşabilir. Bu durum, bu modellerin küçük klinikler, mobil sağlık cihazları veya sınırlı bilgi işlem kaynaklarına sahip hastanelerde kullanımını kısıtlar.

Hafif Ama Güçlü Bir Dijital Mikroskop

Yazarlar, CDNN (özelleştirilmiş derin sinir ağı) adını verdikleri sadeleştirilmiş bir derin öğrenme modeli tanıtıyor. Bu model özellikle mikroskop görüntülerinde beyaz kan hücrelerini tanımak üzere tasarlanmıştır. Model, iki popüler kan hücresi görüntü veri kümesi üzerinde eğitildi ve test edildi: beş tip beyaz kan hücresi içeren büyük ve bir ölçüde dengesiz bir set (Raabin WBC) ve dört tip içeren daha küçük ama dengeli bir set (BCCD). Eğitime başlamadan önce tüm görüntüler yeniden boyutlandırıldı, parlaklık düzeyleri normale çekildi ve ardından doğal varyasyonu taklit etmek ve eğitim örneklerini ezberlemek yerine genel desenleri öğrenmeyi sağlamak için görüntülere hafif dönüşümler—döndürme, yansıtma ve kaydırma—uygulandı.

Modelin “Düşünme Sürecinin” İçinde

CDNN, etkili öğrenmeyi sağlarken kompakt kalmasına yardımcı olan bir dizi yapı taşıdan oluşur. Bu bloklar arasında bilgiyi bazı katmanların etrafından atlamasına izin veren “residüel” bağlantılar bulunur; bunlar, ağ boyunca ilerledikçe eğitim sinyallerinin zayıflamasını önler. Model, görüntüler ilerledikçe iç filtre sayısını kademeli olarak artırarak hücre çekirdeği ve çevresindeki yapının hem ince detaylarını hem de daha geniş şekillerini yakalar. VGG16 veya ResNet-50 gibi iyi bilinen görüntü modellerine göre ayarlanabilir parametre sayısı çok daha az olmasına rağmen, CDNN çok yüksek doğruluk elde eder: Raabin veri setinde yaklaşık %98 ve BCCD veri setinde neredeyse %99,6; bu da birçok daha büyük son teknoloji yöntemi geride bırakır.

Görünmez Kararları Görünür Kılmak

Sistemin görüntülerin tıbben anlamlı bölgelerine odaklandığından emin olmak için araştırmacılar Grad-CAM ve LIME olarak bilinen iki görselleştirme aracı kullandılar. Bu yöntemler, modelin kararlarını en çok etkileyen hücre görüntüsü bölgelerini vurgulayan renkli ısı haritaları üretir. Bu haritalardaki parlak bölgeler genellikle arka plandan ziyade hücre çekirdeği ve çevresindeki sitoplazma gibi kritik yapılarla örtüştü. Ekip ayrıca ağın dahili sinyallerini iki boyutlu bir haritaya projekte ederek ağın farklı hücre tiplerini içsel olarak nasıl ayırdığını araştırdı; doğru sınıflandırılan hücreler burada net kümeler oluştururken, yanlış sınıflandırılan durumlar modelin zorlandığı noktaların incelenmesine olanak tanır.

Bu Hastalar İçin Ne Anlama Gelebilir

Basitçe söylemek gerekirse, bu çalışma özenle tasarlanmış, nispeten küçük bir yapay zekâ modelinin mikroskop görüntülerinden beyaz kan hücrelerini, birçok büyük ve karmaşık sisteme denk veya onlardan daha iyi doğrulukla ayırabileceğini gösteriyor. Model kompakt ve verimli olduğundan, küçük laboratuvarlar, yatak başı (point-of-care) cihazlar veya hatta taşınabilir ekipman için daha uygundur; bu da yüksek kaliteli kan analizini hastalara daha yakın hale getirebilir. Gerçek klinik ortamlarda daha fazla test yapılması gerekliliği sürse de, bu yaklaşım patologlara hastalıkları teşhis etmede ve sorunları daha erken yakalamada yardımcı olabilecek daha hızlı, daha erişilebilir ve daha şeffaf araçlara işaret ediyor.

Atıf: Karaddi, S.H., Bitra, H., Bairaboina, S.S.R. et al. White blood cell classification using custom deep neural network and visualizing features of the images using heatmaps. Sci Rep 16, 9311 (2026). https://doi.org/10.1038/s41598-026-35138-9

Anahtar kelimeler: beyaz kan hücreleri, tıbbi görüntüleme, derin öğrenme, kan tanısı, sinir ağları