Zayıf denetimli kolorektal bez segmentasyonu: kendinden denetimli öğrenme ve dikkat tabanlı sahte etiketleme ile

Kanser tanısı için neden önemli

Bir patoloğun mikroskop altında kolon biyopsisini incelerken kanser şiddeti hakkında en önemli ipuçlarından biri, bez adı verilen küçük tüp biçimli yapıların şekli ve düzenidir. Her bezi elle özenle çizmek yavaş, pahalı ve hastaneler arasında standartlaştırması zor bir işlemdir. Bu çalışma, yapay zekânın insan uzmanlar kadar iyi olmasa da yakın düzeyde bezleri izlemeyi, çok daha az ayrıntılı insan etiketine ihtiyaç duyarak öğrenebileceğini gösteriyor; bu da kolorektal kanser tanısını hızlandırıp keskinleştirebilir.

Her küçük konturu çizmenin zorluğu

Kolorektal kanser, dünya genelinde en yaygın ve ölümcül kanserler arasında yer alır ve şiddetinin derecelendirilmesi büyük ölçüde bez görünümüne bağlıdır. Sağlıklı veya erken evre dokularda bezler düzgün, yuvarlak tüpler gibi görünür; agresif tümörlerde ise dişli, birleşmiş veya neredeyse tanınmaz hâle gelirler. Bilgisayarlar her bezi segmentleyerek otomatik ölçümlere izin verecek şekilde eğitilebilir, ancak geleneksel derin öğrenme sistemleri uzman patologlar tarafından çizilen harfiyen piksel piksel konturlar gerektirir. Gerçek klinik ortamda, elde edilmesi çok daha kolay olanlar görüntü düzeyinde etiketlerdir; örneğin bir doku karesinde bez olup olmadığı ya da benign mi malign mi gibi basit etiketler.

Etiketsiz ve zayıf etiketli laminelerden yapay zekâyı eğitmek

Yazarlar, bu daha zayıf etiketlerden daha fazla değer çıkarmak üzere tasarlanmış üç aşamalı bir eğitim hattı tanıtıyor. İlk olarak, doğal fotoğraflar üzerinde eğitilmiş güçlü bir görsel model olan DINOv2’den başlanıyor ve modele binlerce etiketsiz kolorektal biyopsi görüntüsü gösteriliyor. Modelin aynı doku yamasının farklı görünümlerini birbirine eşlemesini isteyerek, anotasyon gerektirmeden histoloji preparatlarının renk ve dokularına uyarlanmış görsel özellikler öğrenmesi sağlanıyor. Bu adım, ham görüntüleri bez benzeri yapıların yakalanmasını sağlayan zengin iç temsillere dönüştüren özel bir "kodlayıcı" oluşturuyor.

Yapay zekânın nerelere baktığını göstermek

İkinci aşamada bu kodlayıcı, yalnızca görüntü düzeyinde etiketlere ihtiyaç duyan bir sınıflandırma ağına bağlanıyor; örneğin bezlerin var olup olmadığı gibi. Ağın içindeki bir dikkat mekanizması, kararında en çok etki eden görüntü bölgelerine daha yüksek ağırlık vermeyi öğreniyor. Bu dikkat haritaları, ağın bezlerin nerede olduğuna "inandığını" pratik olarak vurguluyor. Araştırmacılar bu yumuşak ısı haritalarını harmanlama ve eşikleme ile kaba ikili maskelere dönüştürüyor, sonra Koşullu Rastgele Alan (Conditional Random Field) adlı olasılıksal bir düzeltme tekniğiyle daha da temizliyorlar. Sonuç, mükemmel olmayan ama daha özel bir segmentasyon modelini yönlendirmek için yeterli olan rafine edilmiş sahte etiketler seti oluyor.

Bez sınırlarını keskinleştirmek

Üçüncü aşamada, bu sahte etiketler manuel anotasyonların yerine kullanılarak adanmış bir segmentasyon ağı eğitiliyor. İnceltilmiş kodlayıcı yeniden kullanılıyor ve özellikleri ayrıntılı bir bez maskesine dönüştüren hafif bir çözücü başlık ekleniyor. Kritik olarak, eğitim sırasında kullanılan kayıp (loss) fonksiyonu sınırlara ekstra önem veriyor: bez kenarlarını bozacak hatalar, iç bölgedeki küçük hatalardan daha fazla cezalandırılıyor. Bu sınır-bilinçli eğitim, bez şeklini ve ayrımını doğru ölçmek için gerekli olan net, anatomik olarak gerçekçi konturlar oluşturulmasını teşvik ediyor.

Pratikte ne kadar iyi çalışıyor?

Ekip yöntemlerini iki standart kolorektal doku karşılaştırma veri setinde test etti. GlaS veri setinde, zayıf denetimli yaklaşımları yalnızca sınırlı etiket kullanan diğer yöntemleri geride bırakmakla kalmadı, aynı zamanda birkaç ölçütte tam piksel anotasyonlarına dayanan klasik tam denetimli sistemlere yaklaştı veya onları aştı. Daha zorlu ve düzensiz, malign bezlerle dolu CRAG veri setinde tüm yöntemlerin performansı düştü, ancak yeni çerçeve yine diğer zayıf etiket rakiplerinden daha iyi performans gösterdi ve tam denetimli modellerle olan farkı daralttı. Abladisyon çalışmaları, her bir bileşenin—kendinden denetimli ince ayar, post-işlemle birlikte dikkat tabanlı sahte etiketleme ve sınır-bilinçli kayıp—kazançlara anlamlı katkı sağladığını gösterdi.

Geleceğin patoloji araçları için ne anlama geliyor

Bir okur için temel çıkarım şu: bu çalışma, çoğunlukla hastane arşivlerinde zaten yaygın olan basit lam-düzeyi etiketlere dayanan, mikroskobik bez yapılarının yüksek kaliteli ve sınır-öngörülü haritalarını üretebilecek yapay zekâ sistemlerine işaret ediyor. Titizlikle yapılan elle çizimlere olan bağımlılığı azaltarak, bu yaklaşım gelişmiş görüntüye dayalı derecelendirme ve nicel analizleri birçok merkezde daha uygulanabilir hâle getirebilir; patologların kolorektal kanseri daha tutarlı ve verimli teşhis etmelerine yardımcı olabilir ve gelecekte diğer doku tipleri ve yapılar için de genişleyebilir.

Atıf: Wen, H., Wu, Y., Huang, D. et al. Weakly supervised colorectal gland segmentation through self-supervised learning and attention-based pseudo-labeling. Sci Rep 16, 5771 (2026). https://doi.org/10.1038/s41598-026-36256-0

Anahtar kelimeler: kolorektal kanser, dijital patoloji, bez segmentasyonu, zayıf denetimli öğrenme, kendinden denetimli görsel