Takviye öğrenmesi kullanılarak ultrasonik mesane taramasında aktif yönlendirme

Daha iyi mesane taramalarının önemi

Biri mesanesini boşaltmakta zorluk çektiğinde, doktorlar genellikle geride ne kadar idrar kaldığını görmek için ultrasona başvurur. Bu değer, kateter gerekip gerekmediği veya bir tedavinin işe yarayıp yaramadığı gibi önemli kararları yönlendirir. Yine de net ve doğru konumlanmış bir mesane ultrasonu görüntüsü elde etmek, özellikle deneyimsiz personel için göründüğünden daha zordur. Bu çalışma, takviye öğrenmesi adı verilen bir yapay zeka (YZ) tekniğinin probu tutan kişiyi gerçek zamanlı olarak koçluk ederek en iyi görüşü daha hızlı ve daha güvenilir şekilde bulmalarına nasıl yardımcı olabileceğini araştırıyor.

Doğru açıyı bulmanın zorluğu

Rutin bir mesane taramasında prob, alt karın üzerinde iki temel görüşü yakalamak için hareket ettirilmelidir: mesaneyi enine kesen (transvers) ve boyuna uzanan (longitudinal) görünüm. Bu görüntülerin kalitesi, probun tam olarak nereye yerleştirildiğine ve nasıl eğildiğine bağlıdır. Usta sonografistler bunu deneyimle öğrenir, ancak acemiler ideal düzlemi kolayca kaçırabilir; bu da belirsiz konturlar ve yanlış hacim tahminleriyle sonuçlanır. Önceki bilgisayar yöntemleri, her tek görüntüden sonraki prob hareketini tahmin etmeye çalıştı, ancak bunlar genellikle ani, tutarsız öneriler veriyor ve mesanenin şekline dair önemli ayrıntıları göz ardı ediyordu.

Sanal bir probu keşfetmeyi öğretmek

Araştırmacılar, 17 sağlıklı gönüllüden alınan 3B ultrason verilerini kullanarak mesane taramasının gerçekçi bir bilgisayar simülasyonunu kurdular. Her kişinin alt karnına olası prob pozisyonlarını işaretlemek için 6’ya 5 bir ızgara yerleştirdiler ve her konumda iki yönde ultrason hacimleri kaydettiler. Bu, sanal bir probun gerçek bir operatörün yaptığı gibi sola, sağa, yukarı, aşağı hareket edebildiği ve küçük açılarla eğilebildiği bir eğitim oyun alanı yarattı. Bu oyun alanındaki “ajan” yalnızca görüntüleri görüyordu, gerçek konumunu bilmiyordu ve en net mesane görünümünü üreten ızgara karesine doğru nasıl gezinmeyi öğrenmek zorundaydı.

Öğrenme sistemi kararları nasıl alıyor

Ekip, sistemin eylemleri denediği ve bu eylemlerin ne kadar yardımcı olduğuna bağlı olarak ödül veya ceza aldığı bir YZ türü olan takviye öğrenmesini kullandı. Adam LMCDQN adını verdikleri yöntemleri, öğrenme sürecine dikkatle ayarlanmış rastgelelik ekleyerek seçeneklerini keşfeden popüler bir takviye öğrenmesi yaklaşımının gelişmiş bir versiyonudur. Ajan, onu en iyi görünüme yaklaştıran hamleler ve sınırlı sayıda adım içinde gerçekte o görünüme ulaşması için daha yüksek ödüller kazandı. İleri bir düzeltmede, araştırmacılar birçok görüntüde mesaneyi çevrelemek için bir uzmanın çizim yapmasını istediler. Bu konturlar kullanılarak, mesanenin daha büyük ve daha merkezde olduğu görünümleri tercih eden bir ödül tasarlandı; bu da ajanı yalnızca ızgara üzerindeki mesafelere değil, organın kendisine dikkat etmeye yönlendirdi.

Sistemin pratikte başardıkları

Eğitimde kullanılmayan üç gönüllü üzerinde test edildiğinde, takviye öğrenmesi sistemi geleneksel bir derin öğrenme sınıflandırıcısını açıkça geride bıraktı. Prob yalnızca yüzey boyunca kaydırılabildiği (eğilemediği) daha basit ortamda, yeni yöntem transvers taramalarda %69 ve longitudinal taramalarda %51 başarıya ulaştı; bu oranlar denetimli sınıflandırıcı için sırasıyla %58 ve %32 idi. Ajanın probu ayrıca eğilmesine izin vermek performansı daha da artırdı: başarı oranları vücut genelinde %81’e ve uzunlamasına %67’ye yükseldi. Mesafenin ötesinde büyük, merkezde bir mesaneyi açıkça arayan segmentasyona dayalı ödül de yalnızca ızgara uzaklığına dayanan ödüle kıyasla ölçülebilir bir katkı sağladı.

Hastalar ve personel için olası anlamı

Çalışma, gelen ultrason karelerini izleyen ve operatöre probu hedefe yaklaştırmak için sola, sağa, yukarı, aşağı veya eğme gibi nasıl hareket etmesi gerektiğini söyleyen bir YZ sistemi eğitmenin teknik olarak mümkün olduğunu gösteriyor. Gerçek bir cihazda bu yönlendirme, basit ekrandaki oklar veya kısa metin istemleri şeklinde görünebilir; hemşirelerin ve diğer ön saflardaki personelin yıllarca süren pratik gerektirmeden uzman düzeyinde görüntüler elde etmelerine yardımcı olabilir. Bu çalışma simüle bir ortamda ve yalnızca sağlıklı gönüllüler üzerinde yapılmış olsa da, gelecekteki klinik testler ve yaklaşımın daha geniş hasta koşullarına genişletilmesi için bir temel oluşturuyor. Başarılı olursa, böyle bir YZ rehberliği mesane hacmi ölçümlerini günlük bakımda daha hızlı, daha tutarlı ve daha yaygın hale getirebilir.

Atıf: Hsu, HL., Zahiri, M., Li, G. et al. Active guidance in ultrasound bladder scanning using reinforcement learning. Sci Rep 16, 5273 (2026). https://doi.org/10.1038/s41598-026-35285-z

Anahtar kelimeler: mesane ultrasonu, takviye öğrenmesi, tıbbi görüntüleme yapay zekası, prob navigasyonu, üriner retansiyon