Makine öğrenimi ve görüntü işleme teknikleri kullanarak yaşa bağlı makula dejenerasyonunun otomatik tanısı

Görme yetiniz için bunun önemi

İnsanlar daha uzun yaşadıkça, merkez görmeyi yavaşça aşındırarak okuma, araç kullanma veya yüzleri tanıma becerisini zorlaştıran veya imkânsız hale getiren yaşa bağlı makula dejenerasyonu (AMD) ile daha çok kişi karşılaşıyor. Göz hekimleri, gözün arkasının fotoğraflarında erken uyarı işaretlerini tespit edebiliyor, ancak binlerce hastanın görsellerini elle incelemek zaman alıcıdır ve uzmanlık gerektirir. Bu çalışma, kırılgan ve açıklanması zor derin öğrenme “kara kutularına” dayanmak yerine, rutin göz fotoğraflarından AMD’yi erken yakalamaya yardımcı olabilecek şeffaf, makine öğrenimi tabanlı bir aracın nasıl çalışabileceğini araştırıyor.

Gözün keskin görüş bölgesinde sorun aramak

AMD, retina merkezine yakın, keskin ve ayrıntılı görüşü sağlayan küçük koyu nokta olan makulayı hedef alır. Birçok otomatik sistem, tüm göz görüntülerinde drusen adı verilen küçük yağlı birikintileri bulmaya çalışır, ancak drusen küçük kanamalar gibi diğer parlak lekelerle kolayca karışabilir ve şekil ile boyut açısından çok değişken olabilir. Bu, bilgisayar tarafından güvenilir şekilde tespit edilmelerini zorlaştırır ve uzmanların sonuçları dikkatle kontrol etmesi gerekir. Yazarlar farklı bir yol izliyor: tüm retinada doğrudan drusen aramak yerine makular bölgeye odaklanıyor ve AMD varlığında dokunun doku ve renginde nasıl değiştiğini ölçüyorlar.

Ham fotoğraftan makulanın “parmak izi”ne

Sistem, gözün arkasının renkli bir fotoğrafı olan fundus görüntüsüyle başlar. Önce karanlık ve parlak alanların ayırt edilmesini kolaylaştırmak için standart görüntü işleme adımlarıyla kontrastı artırır. Ardından optik diski—gözden sinirlerin çıktığı parlak dairesel alanı—otomatik olarak bulur ve bunun makulayla bilinen geometrik ilişkisini kullanarak görüntü üzerinde makulanın beklenen boyut ve konumuna uyan en koyu bölgeyi dar bir şerit boyunca arar. Bu noktanın etrafında sistem küçük bir dikdörtgen kırpar: burası ilgi bölgesidir ve erken AMD ile ilişkili hasarı en çok açığa çıkarma olasılığı olan dokuyu içerir.

Desenleri ve renkleri sayılara dönüştürmek

Bu makula yaması içinde araştırmacılar çok sayıda sayısal tanımlayıcı veya “elle oluşturulmuş özellik” hesaplar. Doku özellikleri piksel yoğunluklarının nasıl düzenlendiğini yakalar—yüzeyin pürüzsüz, lekeli veya düzensiz görünüp görünmediğini—ve renk özellikleri pigment ve doku sağlığındaki değişiklikleri yansıtabilecek parlaklık ve ton kaymalarını yakalar. Toplamda her göz görüntüsü için 140 doku ve 48 renk değeri ölçülür. Bu sayıların hiçbiri eşit derecede faydalı olmadığından ekip, sağlıklı ve AMD gözlerini en iyi ayıran daha küçük bir alt küme seçmek için istatistiksel testler ve özellik sıralama yöntemleri uygular; böylece gereksiz veya gürültülü ölçümler elenir.

Makineleri “AMD” veya “normal” demeye eğitmek

Seçilen bu özelliklerle yazarlar, Normal ve AMD’li gözler arasındaki farkı öğrenmek için Destek Vektör Makinesi (SVM), k‑En Yakın Komşu, Naïve Bayes ve basit bir sinir ağı gibi bilinen birkaç makine öğrenimi sınıflayıcısını eğitirler. STARE veri seti (35 normal ve 74 AMD görüntüsü içerir) ve yüzlerce etiketli olguyu barındıran daha büyük ODIR veri seti olmak üzere iki halka açık retina görüntüsü koleksiyonu kullanırlar. Güvenilirliği test etmek için her veri setini tekrar tekrar eğitim ve test bölümlerine ayırır, görüntüler arasında döngüsel olarak ilerlerler böylece her göz en az bir kez testte yer alır ve sonra doğruluk, hata oranı ve AMD’nin ne sıklıkla doğru tespit edildiği gibi ölçümleri hesaplarlar.

Net sonuçlar ve daha açık gerekçeler

Tüm testler boyunca makular bölgeden elde edilen doku özelliklerini kullanan SVM sınıflayıcı öne çıkar. STARE veri setinde AMD ile normal gözleri neredeyse %99 oranında doğru ayırt eder; ODIR’da doğruluk yaklaşık %95’tir. Doku bilgisi yalnızca renkten daha güçlü olduğu kanıtlanır ve her iki özellik türünün birleştirilmesi doku tek başına sağladığı performansı geçmez. Literatürde karşılaştırılabilir veya biraz daha yüksek skorlar elde eden bazı derin öğrenme sistemleri olsa da, bunlar büyük miktarda etiketlenmiş veri gerektirir ve hangi görüntü ipuçlarına dayandıkları konusunda az içgörü sağlar. Buna karşılık, bu çalışmadaki elle oluşturulmuş doku ve renk özellikleri retinada tanınabilir yapılara karşılık gelir; bu da sistemi klinisyenler için daha yorumlanabilir kılar.

Bu hastalar için ne anlama geliyor

Günlük ifadeyle, çalışma nispeten basit ve şeffaf bir bilgisayar programının standart bir göz fotoğrafına bakıp makulaya yakınlaşıp—çok yüksek güvenilirlikle—AMD’nin muhtemel olup olmadığını işaretleyebileceğini; her küçük birikintiyi önce izlemeye çalışmaya gerek duymadan gösterebileceğini ortaya koyuyor. Böyle bir araç, göz klinikleri ve tarama programlarının büyük sayıdaki görüntüyü hızla sınıflandırmasına yardımcı olabilir; erken hastalığı olan hastaların uzmanlar tarafından daha çabuk görülmesini sağlar ve aynı zamanda doktorlara makinenin kararını verirken hangi görsel desenleri kullandığına dair daha net bir görünüm sunar.

Atıf: Agarwal, D., Bhargava, A., Alsharif, M.H. et al. Automatic diagnosis of age-related macular degeneration using machine learning and image processing techniques. Sci Rep 16, 5037 (2026). https://doi.org/10.1038/s41598-026-35428-2

Anahtar kelimeler: yaşa bağlı makula dejenerasyonu, retina görüntülemesi, makine öğrenimi, erken hastalık tespiti, tıbbi görüntü analizi