Histopatoloji görüntülerinde meme kanseri tespiti için SqueezeNet ve ShuffleNetV2’nin karşılıklı işbirlikçi kapılama füzyonu

Meme Kanseri Tanısına Daha Akıllı Destek

Meme içinde bir kitle bulunduğunda, doktorlar sıklıkla hücrelerin zararsız mı yoksa kanserli mi olduğuna karar vermek için boyanmış ve mikroskop altında incelenen ince doku dilimlerine güvenirler. Bu dikkatli inceleme tanı için altın standarttır, ancak yavaştır, emek yoğundur ve uzmanlar arasında değişkenlik gösterebilir. Burada tanımlanan çalışma, bu mikroskop görüntülerini yapay zekâ kullanarak analiz eden bir bilgisayar aracı sunar; amaç, patologlara hızlı, tutarlı ve son derece doğru ikinci görüşler sağlarken günlük hastane kullanımına uygun düşük hesaplama maliyetini korumaktır.

Doku Görüntülerini Okumanın Zorluğu

Meme kanseri dünya genelinde en yaygın kanserlerden biridir ve her yıl yüz binlerce ölüme neden olur. Daha iyi sonuçların anahtarı tümörleri erken yakalayıp karakterize etmektir ve bu hâlâ büyük ölçüde histopatolojiye dayanır: renkli doku dilimlerinin mikroskop altında incelenmesi. Ancak birçok doku paterni birbirine şaşırtıcı derecede benzeyebilir. Normal ve iyi huylu (zararsız) örnekler benzer yapılar gösterebilirken, erken evre ve invaziv kanserler birbirine karışabilir. Buna ek olarak boyalar, aydınlatma ve laboratuvardan labora değişen görüntü kontrastı nedeniyle aynı hastalık çok farklı görünebilir. Geleneksel bilgisayar programları bu nüanslarla zorlanır; daha başarılı birçok modern derin öğrenme sistemi ise o kadar büyük ve enerji gerektirir ki, en üst araştırma merkezleri dışına konuşlandırılması zordur.

Ekip Olarak Çalışan İki Kompakt Ağ

Bu problemi ele almak için yazarlar, SqueezeNet ve ShuffleNetV2 olarak bilinen iki mevcut kompakt sinir ağını birleştirir. Bu modeller başlangıçta fotoğraflardaki günlük nesneleri, Transformer’lar veya çok derin ağlar gibi ağır sistemlere kıyasla çok daha az hesaplama kullanarak tanımak üzere tasarlanmıştı. Bu çalışmada, meme doku görüntülerindeki desenleri tanımaları için yeniden eğitilirler. Her ağ aynı mikroskobik görüntüye bakar ve farklı görsel ipuçlarını—hücre şekillerindeki ince farklılıkları, doku dokusunu ve renk düzenlerini—seçmeyi öğrenir. Tek başlarına her model iyi performans gösterir, ancak gerçek yenilik güçlü yönlerinin nasıl birleştirildiğindedir.

Gürültüyü Filtreleyen Bir Kapılama Mekanizması

Çalışmanın temel fikri, iki ağın birbirleriyle konuşmasına ve iç sinyallerinin hangi kısımlarının gerçekten faydalı olduğuna karar vermesine olanak tanıyan yeni bir "karşılıklı işbirlikçi kapılama" modülüdür. Çıktılarını basitçe üst üste koymak veya ortalamak yerine, kapılama sistemi her kanalın ne kadar bilgi taşıdığını ve partner ağın zaten gördükleriyle ne kadar gereksiz tekrar içerdiğini ölçer. Yeni ve yardımcı detaylar ekleyen kanallar güçlendirilirken, tekrar eden veya gürültü katan kanallar azaltılır. Bu ileri geri ayarlama iki yönde de gerçekleşir; böylece SqueezeNet, ShuffleNetV2’nin özelliklerini keskinleştirir ve tersi de aynı şekilde olur. Sonuç, her görüntünün birleşik, daha zengin, daha temiz ve bir tanıyı diğerinden ayıran küçük farklılıklara daha odaklı bir temsilidir.

Hafif Hesaplamayla Yüksek Doğruluk

ICIAR‑2018 ve BreakHis olmak üzere yaygın olarak kullanılan iki meme kanseri görüntü koleksiyonunda test edildiğinde, birleşik sistem etkileyici performans gösterir. Normal doku, iyi huylu değişiklikler, yerinde erken kanser ve invaziv kanseri ayırt etmeyi gerektiren dört sınıflı görevde, görüntülerin yüzde 97’sini doğru sınıflandırır. Görev kanserli ile kanserli olmayan dokuyu ayırmak şeklinde basitleştirildiğinde, ICIAR‑2018 üzerinde doğruluk yüzde 99’a, BreakHis üzerinde yaklaşık yüzde 99,7’ye yükselir. Bu skorlar, yeni modelin nispeten az parametre ve mütevazı hesaplama gücü kullanmasına rağmen literatürde bildirilen birçok daha karmaşık yönteme göre daha yüksektir; bu da daha hızlı tahminler ve daha düşük donanım gereksinimleri anlamına gelir.

Hastalar ve Klinikler İçin Anlamı

Basitçe söylemek gerekirse, yazarlar meme doku mikroskopi görüntülerini eleyip neredeyse uzman düzeyinde güvenilirlikle etiketleyebilen ince ama güçlü bir yardımcı geliştirmişlerdir. Tasarım verimli olduğu için, yüksek performanslı sunuculara sahip olmayan bölgesel hastaneler veya tarama merkezleri gibi gerçek dünya ortamlarına daha uygundur. Sistem patologların yerini almasa da şüpheli bölgeleri vurgulayabilir, tutarlı ikinci görüşler sağlayabilir ve tanıyı hızlandırma potansiyeline sahiptir. Çalışma ayrıca daha geniş bir eğilime işaret eder: daha küçük AI modellerini zekice birleştirip birbirleriyle rekabet etmek yerine işbirliği yapmayı öğreterek, pratik tıbbi yapay zekânın önündeki ağır maliyet ve karmaşıklık engelleri olmadan üst düzey doğruluk elde etmek mümkündür.

Atıf: Khati, B., Mukherjee, S., Sinitca, A. et al. Reciprocal cooperative gating fusion of SqueezeNet and ShuffleNetV2 for breast cancer detection in histopathology images. Sci Rep 16, 5904 (2026). https://doi.org/10.1038/s41598-026-36375-8

Anahtar kelimeler: meme kanseri, histopatoloji, tıbbi görüntüleme AI, hafif CNN, bilgisayarlı teşhis