DermNet: gelişmiş denetimsiz lezyon segmentasyonu kullanarak dermatolojik tanılarda önyargıyı azaltmak için bütünleştirici CNN-ViT mimarisi

Neden açık ten dışındaki tanıların adil olması önemli

Cilt hastalıkları, akne ve egzama gibi yaygın rahatsızlıklardan daha ciddi durumlara kadar yaşamın bir noktasında neredeyse herkesi etkiler. Ancak kahverengi ve koyu tenli birçok insan için bu sorunlar klinikte ve yapay zeka (YZ) araçları tarafından tespit edilmesi daha zor ve yanlış tanılanması daha olasıdır. Bu makale, bilgisayara çevre deri renginin yerine gerçekten hastalıklı lezyona odaklanmayı öğreterek farklı ten tonlarında daha adil tanı koymayı amaçlayan yeni bir YZ sistemi olan DermNet’i tanıtıyor.

Tek tip YZ’nin sorunu

Cilt tanısı için var olan çoğu YZ sistemi, ağırlıklı olarak açık tene ait fotoğraflarla eğitilir. Bu sistemler koyu tenli bireylerde kullanıldığında doğrulukları %8–12 oranında düşer. Gerçekte bu fark, erken uyarı işaretlerinin kaçırılması ve tedavinin gecikmesi anlamına gelebilir. Dengeli tıbbi fotoğraf veri kümeleri toplamak da zordur: görüntüler hastaneler arasında dağınık, bazı ülkelerde dijital kayıt tutma az, ve dermatologlarca yapılan uzman etiketlemesi zaman alıcı ve pahalıdır. Sonuç olarak YZ, lezyonun nasıl göründüğünü gerçekten öğrenmek yerine bazı hastalıkları özellikle açık tenle ilişkilendirmek gibi kestirme yollar öğrenir.

Bilgisayara sadece yara noktasını görmeyi öğretmek

Yazarlar bu önyargıyı kaynağında ele alıyor: görüntünün kendisinde. Kolu, yüzü veya bacağı içeren tam fotoğrafları doğrudan YZ’ye vermek yerine, önce çevre deri renginin ne olduğuna bakılmaksızın otomatik olarak yalnızca hastalıklı bölgeyi — lezyonu — kesip çıkarıyorlar. Bunu yapmak için, özel eğitim gerektirmeden nesneleri çevreleyen sınırları belirleyebilen açık kaynaklı güçlü bir araç olan Segment Anything’i, renk ve parlaklık farklarını vurgulayan klasik görüntü işleme yöntemleriyle birleştiriyorlar. Renk uzaylarını akıllıca değiştirip otomatik eşikleme uygulayarak, lezyonu normal deriden ayıran siyah-beyaz “maskeler” üretiyorlar. Dikkate değer biçimde, bu denetimsiz boru hattı, elle çizilmiş eğitim maskelerine dayanmadan hem açık hem koyu ten tonlarında uzman kalitesindeki lezyon konturları ile yaklaşık %90 örtüşme sağlıyor.

Cilt hastalıkları için daha yalın, daha akıllı bir ağ

Lezyon izole edildikten sonra DermNet devreye giriyor. Bu sınıflandırıcı iki popüler YZ fikrini harmanlıyor: kenarları ve dokuları yakalamada iyi olan konvolüsyonel sinir ağları (CNN’ler) ve bir görüntüde uzun menzilli ilişkileri görmede başarılı olan görsel dönüştürücüler (transformer’lar). DermNet önce kırpılmış lezyondan ince ayrıntıları çıkarmak için yalnızca iki hafif CNN katmanı kullanıyor, sonra bu desenleri lezyonun farklı bölümlerinin birbirleriyle nasıl ilişkili olduğunu öğrenen bir transfomer’a iletiyor. Sistem artık tam vücut fotoğraflarını çözümlemek zorunda olmadığından küçük kalabiliyor — yaklaşık 2,5 milyon parametre, 10 megabayttan az — ancak yine de daha büyük, yaygın kullanılan görüntü modellerinden daha iyi performans gösteriyor.

Sahne arkasında daha adil bir veri kümesi oluşturmak

DermNet’i eğitmek ve test etmek için ekip, iki dermatolog tarafından açıklamalı koleksiyonu birleştirerek SkinCon adını verdikleri veri kümesini oluşturdu. Hastalık başına en az 20 görüntü şartı koyduktan sonra 122 durumu kapsayan 3.643 görüntü elde ettiler; görüntülerin yaklaşık üçte biri açık, üçte biri kahverengi ve üçte biri koyu ten tiplerinden geldi. Aşırı uyumu azaltmak ve dayanıklılığı artırmak için bu seti döndürme ve parlaklık değişiklikleri gibi basit dönüşümlerle daha da genişlettiler. Bu çeşitli ve düzenlenmiş veri kümesi kullanıldığında, tam, segmentlenmemiş görüntülerle eğitmenin öğrenmeyi kararsız kıldığı ve doğrulama doğruluğunun yaklaşık %50–56 seviyesinde kaldığı görüldü. Lezyon-only (yalnızca lezyon) girdilere geçildiğinde performans sıçrama yaptı: DermNet doğrulamada yaklaşık %81 doğruluk ulaştı ve bu üç ten tonu grubunda daha tutarlı şekilde gerçekleşti.

Laboratuvar hattından cep asistanına

Bunun pratikte nasıl çalışabileceğini göstermek için araştırmacılar bir prototip mobil uygulama geliştirdiler. Kullanıcı şüpheli bir cilt bölgesinin fotoğrafını çeker veya yükler; sistem otomatik olarak lezyonu segmentler, DermNet’ten geçirir ve nihai kararı dermatoloğa bırakırken en olası üç tanıyı olasılıklarıyla birlikte — 20 saniyenin altında — geri döndürür. Bir doktorun yerini almasa da bu tür araçlar, özellikle dermatologların az olduğu bölgelerde erken evre hastalığı işaretleyebilir ve sınırlı uzman zamanını en acil vakalara yönlendirmeye yardımcı olabilir.

Günlük hastalar için anlamı

Uzman olmayanlar için ana çıkarım, YZ’nin naif bir anlamda “renk kör” olmak zorunda olmadığı; bunun yerine doğru şeye, yani lezyonun kendisine bakacak şekilde yönlendirilebileceğidir. Arka plan deri tonunun etkisini azaltıp hastalıklı bölgeye odaklanarak bu çalışma, açık, kahverengi ve koyu ten görüntülerini daha eşit şekilde ele alan ince, doğru bir modelin oluşturulabileceğini gösteriyor. DermNet, yalnızca mevcut tıbbi fotoğrafların çoğunluğuna uyanların değil, herkes için güvenilir çalışacak cilt hastalığı uygulamaları ve tanı sistemleri yolunda atılmış erken bir adımdır.

Atıf: Imran, M.H., Shahid, M., Aazam, M. et al. DermNet: integrative CNN-ViT architecture for bias mitigation in dermatological diagnostics using advanced unsupervised lesion segmentation. Sci Rep 16, 5291 (2026). https://doi.org/10.1038/s41598-026-35697-x

Anahtar kelimeler: cilt hastalığı tanısı, tıbbi YZ önyargısı, lezyon segmentasyonu, dermatoloji görüntülemesi, görsel dönüştürücü