Yeni bir açıklanabilir yapay zeka ile Bayesyen füzyon topluluğu yöntemi kullanılarak geliştirilmiş serviks kanseri tanısı

Kadın sağlığı için neden önemli

Serviks kanseri, uzmanlara ve ileri tetkiklere erişimin sınırlı olduğu yerlerde özellikle kadınlar arasında hâlâ büyük bir ölüm nedenidir. Oysa hastalık erken yakalandığında tedavi edilebilirliği yüksektir. Bu çalışma, yaş, sigara alışkanlıkları ve rutin tarama testi sonuçları gibi basit klinik ve yaşam tarzı bilgilerini, hekimlerin yatak başında veya küçük kliniklerde kullanabileceği güvenilir bir erken uyarı aracına dönüştürebilen özenle tasarlanmış yapay zekânın nasıl geliştirilebileceğini araştırıyor.

Rakamların arkasındaki küresel sorun

Serviks kanseri büyük ölçüde yüksek riskli insan papilloma virüsü (HPV) tipleriyle enfeksiyon nedeniyle oluşur. Genellikle ilerleyinceye dek sessiz ilerler; bu aşamaya gelene kadar kadınlar anormal kanama, pelvik ağrı veya infertilite gibi belirtiler yaşayabilir. 2020’de dünya genelinde 600.000’den fazla yeni vaka bildirildi ve ölümlerin neredeyse %90’ı, düzenli Pap veya HPV testlerinin sürdürülmesinin zor olduğu düşük ve orta gelirli ülkelerde gerçekleşti. Mevcut tarama yöntemleri etkili olmakla birlikte emek yoğun olabilir, eğitimli personel gerektirebilir ve bazı vakaları yine de kaçırabilir. Bu durum, kliniklerin zaten topladığı türden bilgiler kullanılarak yüksek riskli kadınları doğru şekilde işaretleyebilecek araçlara güçlü bir ihtiyaç doğuruyor.

Hasta öykülerini risk skoruna dönüştürmek

Araştırmacılar, her hastadan 36 bilgiyi analiz eden hibrit bir makine öğrenimi sistemi kurdular. Bunlar arasında yaş, cinsel ortak sayısı, ilk ilişki yaşı, sigara durumu, hormonal doğum kontrol kullanımı, cinsel yolla bulaşan hastalık öyküsü ve Schiller ile Hinselmann muayeneleri ve sitoloji gibi yaygın servikal testlerin sonuçları bulunuyor. Gerçek tıbbi kayıtlar genellikle boşluklar içerdiği için ekip, verideki gerçekçi desenleri koruyarak eksik değerleri akıllıca doldurmak üzere GAIN adlı bir teknik kullandı. Ardından, tüm değişkenleri eleyip yalnızca biyopsinin —altın standart testin— kanser veya prekansere işaret edip etmediğini gerçekten etkileyenleri tutmak için Boruta yöntemini uyguladılar.

Nadir vakaları dengelemek ve net sinyaller bulmak

Birçok tıbbi veri kümesinde olduğu gibi serviks kanseri kayıtlarında hastalığa sahip olmayan kadınlar, hastalıklı olanlara göre çok daha fazlaydı. Bu dengesizlik düzeltilmezse, bir bilgisayar modeli çoğunluk grubundan öğrenmeye ağırlık verip kanserin ince belirtilerini göz ardı edebilir. Bunu önlemek için ekip, pozitif ve negatif vakalar arasında daha dengeli bir karışım oluşturmak üzere rastgele oversampling kullandı. Ardından veriyi, Bağımsız Bileşen Analizi ve Temel Bileşen Analizi adlı iki matematiksel araçla daha küçük, bilgi veren desen setlerine sıkıştırdı. Bu birleşim, gürültü ve fazlalığı kaldırırken yüksek riskli ile düşük riskli hastaları ayıran ana sinyalleri korudu.

İki zekâyı tek bir kararda birleştirmek

Sistemin merkezinde, karar ağaçları ve rastgele ormanlar olmak üzere iki yaygın modelin güçlü yönlerini harmanlayan yeni bir “Bayesyen füzyon topluluğu” yer alıyor. Her modelin oyunu eşit saymak yerine, füzyon yöntemi katkılarını doğrulama sırasında ne kadar iyi performans gösterdiklerine göre ağırlıklandırıyor. Sonuç, her kadın için tek ve keskinleştirilmiş bir risk tahmini oluyor. Birden fazla test turunda bu yaklaşım yaklaşık %99.9 doğruluk, tüm yüksek riskli vakaları tespit eden (mükemmel recall) bir performans ve tanısal kaliteyi ölçen standart bir ölçekte ideal bir skor (AUC‑ROC = 1.00) elde etti; bu da kanseri nadiren kaçırdığını ve gereksiz alarm vermediğini gösteriyor.

Hekimler için kara kutuyu açmak

Bir algoritmanın bir hastayı yüksek riskli olarak işaretlemesinin nedenini hekimlerin anlaması gerektiği için ekip, SHAP ve LIME adlı açıklanabilir yapay zeka araçları ekledi. Bu yöntemler her tahmini parçalara ayırır ve kararı “kanser” veya “kanser değil” yönüne iten faktörleri gösterir. Sonuçlar, riskin en güçlü sürükleyicileri olarak Schiller, Hinselmann ve sitoloji sonuçlarını doğruladı; yaş, cinsel partner sayısı, sigara ve geçmiş enfeksiyonlar da önemli roller oynadı. Son olarak, araştırmacılar modeli kliniklerin gerçek zamanlı kullanabileceği web tabanlı bir uygulama haline getirdi: personel hasta bilgisini giriyor, sistem bir risk skoru döndürüyor ve açıklama paneli o skorun arkasındaki ana nedenleri vurguluyor.

Hastalar ve klinikler için anlamı

Bu çalışma gösteriyor ki düşünceli bir şekilde tasarlanıp şeffaf biçimde açıklanırsa, yapay zekâ rutin klinik ve davranışsal verileri serviks kanseri için güçlü bir erken uyarı sistemine dönüştürebilir. Model biyopsilerin veya uzman değerlendirmesinin yerini almaz, ancak özellikle kaynak kısıtlı ortamlarda, yük altında olan kliniklerin daha ileri test gerektiren kadınları hızla tespit etmesine yardımcı olabilir. Gelecekte daha büyük ve daha çeşitli veri kümeleriyle ve yaklaşımdan diğer sağlık veri türlerine uzatılarak, bu tür araçlar günlük taramanın ayrılmaz bir parçası haline gelebilir ve önlenebilir binlerce ölümü engellemeye katkıda bulunabilir.

Atıf: Islam, O., Assaduzzaman, M., Akter, S. et al. Enhanced cervical cancer diagnosis using a novel Bayesian fusion ensemble method with explainable AI. Sci Rep 16, 12306 (2026). https://doi.org/10.1038/s41598-026-35334-7

Anahtar kelimeler: serviks kanseri taraması, tıbbi yapay zeka, makine öğrenimi, kadın sağlığı, erken tespit