Tedbire duyarlı çok modlu ultrason görüntülemede belirsizlik farkındalıklı derin öğrenme tabanlı tiroid nodülü sınıflandırması

Tiroid kitlelerinin herkes için neden önemi var

Tiroid bezindeki küçük kitleler özellikle yaşla birlikte son derece yaygındır. Çoğu zararsızdır, ancak azınlık kanserli olup zamanında müdahale gerektirir. Günümüzde doktorlar ayırt etmek için başlıca olarak ultrason taramaları ve iğne biyopsilerine güveniyor. Ultrason güvenli ve geniş ölçüde erişilebilir olmakla birlikte, yorumlanması muayeneden muayeneye değişebiliyor; bu da bazı kişilerin gereksiz invaziv testlere maruz kalmasına, bazılarınınsa atlanmasına yol açıyor. Bu çalışma, birden çok ultrason türünü yapay zekâ sistemiyle birleştirmenin tiroid kanseri tanısını nasıl netleştirebileceğini ve bilgisayarın yanıtındaki güven düzeyini doktorlara nasıl iletebileceğini inceliyor.

Aynı nodülü birkaç açıdan incelemek

Ultrason tek bir görüntü türü değildir. Standart “B-modu” ultrason bir tiroid nodülünün şekil ve dokusunu gösterir. Shear wave elastografi doku sertliği hakkında bilgi ekler; benign ve malign oluşumlar arasında genellikle farklılık gösterir. Renkli Doppler nodül içindeki ve çevresindeki kan akışı desenlerini vurgular. Önceki araştırmalar genellikle yalnızca bu görünümlerden birine veya basit kombinasyonlara odaklandı ve her bilgi kaynağının bir bilgisayar modeline beslenirken ne kadar güvenilir olduğuna açık biçimde değinmedi.

Tiroid taramaları için daha akıllı, daha kompakt bir yapay zekâ oluşturmak

Araştırmacılar, tek bir merkezde biyopsi planlanmış 422 hastadaki 506 tiroid nodülünden prospektif olarak görüntüler topladı. Her nodül için aynı ultrason ailesine ait farklı cihazlardan B-modu, shear wave elastografi ve renkli Doppler görüntüleri elde edildi. Ardından, önceden eğitilmiş, kompakt bir görüntü tanıma omurgası kullanan ve tıbbi ultrason için uyarlanmış hafif bir “baş” ekleyen özel bir derin öğrenme ağı tasarladılar. Bu baş, farklı türde özellik çıkarımı ve dikkat mekanizmalarını harmanlayan özel katmanlar kullanarak modelin her görüntünün en bilgilendirici bölgelerine odaklanmasına yardımcı olurken genel mimariyi nispeten küçük ve verimli tuttu.

Bilgisayarın emin olmadığında bunu söylemesine izin vermek

Çalışmanın önemli bir yeniliği belirsizlik farkındalıklı bir birleştirme stratejisidir. Üç ultrason türünün tahminlerini basitçe ortalamak yerine sistem, her dalın bir hasta için ne kadar emin olduğunu tahmin eder. Bunu, modeli küçük içsel değişikliklerle birden çok kez çalıştırıp tahminlerin ne kadar kararlı olduğunu ölçerek yapar. Eğer örneğin renkli Doppler sarsak veya tutarsız bir yanıt veriyorsa, nihai karar üzerindeki etkisi azaltılır veya sıfıra indirilebilir. Buna karşılık, birçok durumda B-modu ile shear wave elastografinin birleşimi gibi hem doğru hem de emin bir modalite daha fazla ağırlık alır. Bu, insan radyologların net, yüksek kaliteli görüntülere gürültülü veya belirsiz olanlara göre doğal olarak daha fazla güvenmesiyle paralellik gösterir.

Sistem ne kadar iyi çalıştı?

Sıkı bir çapraz doğrulama tasarımı kullanılarak, üçlü modları birleştiren sistem tiroid nodüllerini yaklaşık yüzde 95 doğruluk ve ROC eğrisi altındaki alan (AUC) 0,97 ile doğru sınıflandırdı. Kanserleri tespit etme yeteneği olan duyarlılık özellikle yüksek olup yüzde 98 olarak bulundu; kanseri dışlama özgüllüğü ise yüzde 92’ye ulaştı. Tek görüntüleme türleri ve iki yönlü kombinasyonlar daha düşük performans gösterdi; bu da çok modlu girdinin gerçekten katma değer sağladığını gösteriyor. Belirsizlik farkındalıklı birleştirme yöntemi ayrıca tahminleri birleştirmenin daha basit yollarından daha iyi performans gösterdi; özellikle çelişen veya güvenilmez girdilerle başa çıkmada üstünlük sağladı. Aynı verilere uyarlanmış birçok tanınmış derin öğrenme modeliyle karşılaştırıldığında, özel mimari daha az katman kullanmasına ve daha kompakt olmasına rağmen performans açısından onlarla eşleşti veya onları aştı.

Hastalar ve hekimler için bunun anlamı nedir

Tiroid nodülü olan hastalar için bu çalışma, rutin bir ultrason muayenesinin sadece kanser için evet‑hayır risk tahmini sağlamakla kalmayıp, aynı zamanda bu tahminin ne kadar güvenilir olduğuna dair bir işaret sunabileceği bir geleceğe işaret ediyor. Yüksek güvenli benign bir tahmin gereksiz biyopsileri önlemeye yardımcı olabilirken, yüksek belirsizlik sonucu ek görüntüleme, ikinci bir görüş veya daha sık takip gerektirebilir. Çalışma tek bir merkezde yürütüldüğü ve farklı hastaneler ile ultrason cihazlarında doğrulanması gerektiği için sınırlamaları olsa da sonuçlar, birkaç ultrason görünümünü belirsizlik farkındalıklı bir yapay zekâ sistemiyle birleştirmenin tiroid kanseri tanısını hem daha doğru hem de daha şeffaf hale getirebileceğini, böylece gereksiz girişimleri azaltırken bakımın iyileşmesine katkıda bulunabileceğini düşündürüyor.

Atıf: Saini, M., Parvar, T.A., Velarde, M. et al. Deep learning-based classification of thyroid nodules using uncertainty-aware multi-modal ultrasound imaging. Sci Rep 16, 4938 (2026). https://doi.org/10.1038/s41598-026-35965-w

Anahtar kelimeler: tiroid nodülleri, ultrason görüntüleme, derin öğrenme, kanser tanısı, tıbbi yapay zeka