Geliştirilmiş U-Net ve topluluk yöntemleri kullanılarak servikal kanser tespiti için derin öğrenme tabanlı otomatik segmentasyon ve sınıflandırma

Neden Pap Testleri Hâlâ Dijital Bir Yardım Eli Gerektiriyor

Servikal kanser, erken yakalandığında büyük oranda önlenebilen nadir kanserlerden biridir; ancak birçok kadın tehlikeli hücresel değişiklikler kaçtığı veya çok geç bulunduğu için yaşamını yitirmektedir. Alışıldık Pap testi hayat kurtarıyor, ama binlerce hücre görüntüsünü gözle incelemek yavaş ve yorucu bir iştir ve uzmanlar arasında görsel değerlendirmelerde fikir ayrılıkları olabilir. Bu makale, modern yapay zekânın yorulmaz bir asistan gibi davranarak Pap smear görüntülerindeki servikal hücreleri otomatik olarak bulup sınıflandırarak doktorların erken uyarı işaretlerini daha hızlı ve güvenilir biçimde fark etmesine nasıl yardımcı olabileceğini araştırıyor.

Bilgisayarlara Sorunlu Hücreleri Görmeyi Öğretmek

Araştırmacılar iki temel işi yapabilen bir bilgisayar sistemi kurmayı hedeflediler: birincisi, Pap smear görüntüsündeki her servikal hücreyi arka plandan ayırmak; ikincisi ise hücrenin normal görünüp görünmediğine ya da kanserle ilişkili değişiklikler gösterip göstermediğine karar vermek. Bunu yapmak için, kurallarla değil çok sayıda örnek görüntüden doğrudan örüntü öğrenen bir yapay zekâ türü olan derin öğrenmeyi kullandılar. Sistemleri tüm hücreye—hem koyu merkez (çekirdek) hem de çevresindeki madde (sitoplazma)—odaklanıyor, çünkü boyut, şekil ve dokudaki değişiklikler hücrenin tamamı boyunca hastalığı işaret edebilir.

Hücreleri Sınırlamak İçin Daha Akıllı Bir Yol

Sistemin merkezinde, görüntülerdeki nesnelerin hassas biçimde sınırlandırılmasında özellikle başarılı olan popüler bir tıbbi görüntüleme modeli olan U-Net’in geliştirilmiş bir versiyonu yer alıyor. Yazarlar U-Net’i aynı anda görüntü ayrıntılarını birden fazla ölçekte görebilecek ve tıbbi çalışmalarda sık görülen küçük veri partileriyle eğitimde bile kararlı kalabilecek şekilde değiştirdiler. Bu yükseltilmiş ağ, her görüntü üzerinde basit bir maske çizmesini öğreniyor: hücrenin bulunduğu yerlerde beyaz, arka planda ise siyah. Yalnızca hücre alanlarını izole ederek boru hattının sonraki adımları, lekeler, döküntü veya boşluklar gibi dikkat dağıtıcı öğeler yerine en önemli olanlara odaklanabiliyor.

İncelikten Görüntüler Üreterek Daha Fazla Eğitim Örneği Yaratmak

Tıpta büyük bir zorluk, yüksek kaliteli etiketlenmiş görüntülerin nadir ve elde etmesi maliyetli olmasıdır. Bunu aşmak için ekip, gerçek görüntülere dayalı olarak gerçekçi sentetik Pap smear görüntüleri üretmeyi öğrenen RES_DCGAN adlı bir üretici model kullandı. Bu fazladan “uydurma ama inandırıcı” görüntüler, hem hücre sınırlandırma adımından önce hem de sonrasında sınıflandırma adımında eğitim sürecine karıştırıldı. Daha fazla hücre varyasyonu—nadir ve ince desenler de dahil—görülerek yapay zekâ daha sağlam hale geliyor ve küçük hasta veya görüntüleme koşulları kümesine aşırı uyum sağlama olasılığı azalıyor.

Sınırlamalardan Erken Uyarılara

Hücreler segmentlendiğinde, her hücreyi normal ya da farklı anormal kategorilere ayırmak için ikinci bir derin öğrenme modeli grubu devreye giriyor. Yazarlar güçlü bir görüntü tanıma modeli olan ResNet50V2’yi kullandılar ve nihai kararda birlikte oy kullanan birkaç başka tanınmış ağla bir “topluluk” halinde birleştirdiler. Polonya (Pomeranian), Danimarka (Herlev) ve Yunanistan (SIPaKMeD) kaynaklı üç veri kümesi üzerinde, basit normal/anhormal ayrımını ve daha ayrıntılı çok sınıflı problemleri kapsayan altı farklı işleme hattını test ettiler. Bu testlerin tamamında hücreleri önce segmentlemenin sınıflandırma doğruluğunu istikrarlı şekilde iyileştirdiği; ayrıca sentetik görüntülerin eklenmesinin özellikle hücre sınırlandırmada performansı çoğunlukla daha da yükselttiği görüldü.

Dijital Asistan Ne Kadar İyi Performans Gösterdi?

Sistem çok yüksek puanlar elde etti. Hücre sınırlandırmada, bir veri kümesinde doğruluk yaklaşık %99,5’e, diğerinde ise yaklaşık %98’e ulaştı ve bu standart bir U-Net’i rahatça geçti. Hücre tipi belirlemede ise modeller topluluğu, daha karmaşık görevlerde hücrelerin yaklaşık %95–96’sını doğru etiketledi ve daha basit evet/hayır kanser riski kararlarında %99’a kadar başarı gösterdi. Bu sonuçlar birçok önceki çalışmayla denk veya onları geride bırakırken, tek bir birleşik boru hattının farklı laboratuvarlar ve veri kaynakları arasında çalışabileceğini de gösterdi. Gerçek dünyadaki çeşitlilik hâlâ zorluklar sunuyor; özellikle çeşitliliğin yüksek olduğu bir veri kümesinde kazançlar daha ılımlı kaldı.

Bu Hastalar ve Doktorlar İçin Ne Anlama Geliyor

Günlük açıdan, bu çalışma bir yapay zekâ yardımcısının servikal hücreleri dikkatle izleyip risk gruplarına tutarlı biçimde ayırmayı öğrenebileceğini gösteriyor. Patoloğu ortadan kaldırmaz, ancak preparatları ön taramadan geçirip şüpheli hücreleri vurgulayarak yoğun klinik ortamlarda veya uzman eksikliğinin olduğu bölgelerde erken işaretlerin gözden kaçma ihtimalini azaltabilir. Daha büyük, daha karmaşık örnekler ve uzman onaylı maskeler üzerinde yapılacak ek testlerle, bu tür sistemler güvenilir servikal kanser taramasını dünyanın daha fazla kadınına ulaştırmaya; tehlikeli değişiklikleri daha erken yakalayarak başarılı tedavi şanslarını artırmaya yardımcı olabilir.

Atıf: Wubineh, B.Z., Rusiecki, A. & Halawa, K. Deep learning-based automatic segmentation and classification for cervical cancer detection using an improved U-Net and ensemble methods. Sci Rep 16, 5184 (2026). https://doi.org/10.1038/s41598-026-35299-7

Anahtar kelimeler: servikal kanser taraması, Pap smear görüntüleri, derin öğrenme, tıbbi görüntü segmentasyonu, bilgisayar destekli teşhis