Federated averaging algoritması ile çoklu model federated learning çerçevesi kullanarak gizliliğe duyarlı derin ven trombozu segmentasyonu

Neden kan pıhtıları ve veri gizliliği önemli

Bacaklardaki derin damarlarda oluşan ve derin ven trombozu (DVT) olarak adlandırılan kan pıhtıları, sessizce akciğerlere taşınarak hayati tehlike oluşturan acillere yol açabilir. BT taramaları bu pıhtıları ortaya çıkarabilir, ancak binlerce gri tonlu görüntüyü güvenilir, otomatik tespitlere dönüştürmek bilgisayarlar için zorlu bir görevdir. Aynı zamanda hastaneler hassas hasta verilerini paylaşma konusunda haklı olarak temkinlidir. Bu çalışma, birden çok hastanenin ham hasta görüntülerini asla birleştirmeden veya ifşa etmeden güçlü bir pıhtı bulma yapay zekâsını (YZ) nasıl birlikte eğitebileceğini araştırıyor.

Paylaşılan beyinler, değil bedenler

Çalışmanın özünde, verilerini yerinde tutarken birkaç kuruluşun iş birliğiyle YZ modelleri eğitmesine olanak tanıyan federated learning adlı bir teknik var. BT görüntülerini merkezi bir sunucuya göndermek yerine her hastane kendi taramaları üzerinde yerel modelini eğitiyor. Sadece modelin öğrendiği parametreler—temelde pıhtı tanımakta "ne öğrendiği"—merkezi bir sunucuya gönderiliyor. Orada federated averaging adı verilen bir yöntem bu farklı parametre setlerini tek, geliştirilmiş bir küresel modelde birleştiriyor ve bu model ardından tüm hastanelere geri gönderiliyor. Bu şekilde her merkez tüm katılımcıların ortak deneyiminden faydalanıyor, aynı zamanda hiçbir hasta görüntüsü kurumdan dışarı çıkmıyor.

Aynı damarlara bakan birçok YZ stili

Bu çalışmadaki önemli yeniliklerden biri, araştırmacıların tek bir sinir ağı tipine bağlı kalmamış olmalarıdır. Farklı CT görüntüsü yönlerini görmekte iyi olan yedi farklı model tasarımı bir araya getirildi. Basit konvolüsyonel ağlar ve ardışık modeller gibi daha yalın modeller sınırlı donanımda daha hızlı ve daha kolay çalıştırılabiliyor. U‑Net, VGG‑19 ve rezidüel, inception, attention ve çok ölçekli işleme bloklarına sahip iki özelleştirilmiş ağ dahil olmak üzere daha gelişmiş mimariler ise ince damar sınırlarını takip etmekte, küçük pıhtıları fark etmekte ve gürültülü görüntülerle başa çıkmakta daha başarılı. Her hastanın verisi ve hesaplama gücüne en uygun modeli kullanmasına izin vererek sistem, her merkezin aynıymış gibi varsayılmadığı gerçek dünya klinik ortamlarının düzensizliğini yansıtıyor.

Düzensiz ve kusurlu verilerden öğrenmek

Tıpta bir hastanenin verileri nadiren başka bir hastanenin verileriyle tamamen aynı görünür. Tarayıcılar, görüntüleme protokolleri ve hasta popülasyonları farklılık gösterir; bu nedenle çalışma kasıtlı olarak "non‑IID" verilerle—düzensiz ve özdeş dağılıma sahip olmayan koleksiyonlarla—çalıştı. Bu durum normalde eğitimi daha kararsız hale getirir. Burada yazarlar bu çeşitliliği benimsediler ve farklı yapıda birden fazla model arasında bilgi havuzlamanın küresel sistemin genelleme yeteneğini gerçekten iyileştirdiğini gösterdiler. Üç deneysel aşama yürüttüler: önce üç istemci, sonra beş ve son olarak yedi ile, sırasıyla 1.000, 2.000 ve 3.000 BT görüntüsü içeren veri setleri kullanıldı. Her adımda küresel modelin pıhtıları ne sıklıkla doğru segmentlediğini izlemenin yanı sıra ne kadar iletişim gerektiğini, eğitimin ne kadar sürdüğünü, her istemcinin verisinin ne kadar farklı olduğunu ve gizlilik korumalarının ne kadar iyi çalıştığını da takip ettiler.

Daha iyi pıhtı tespiti, hesaplama maliyetiyle

Tüm aşamalar boyunca birleşik küresel model tek bir yerel modelin performansını sürekli olarak aştı. Görüntü sayısı arttıkça ve daha sofistike modeller federasyona katıldıkça segmentasyon doğruluğu yaklaşık %91'den %96'nın üzerine çıktı ve dengeli bir kalite ölçütü olan F1‑skoru yaklaşık 0.89'dan 0.95'e yükseldi. Aynı zamanda hata odaklı bir kayıp ölçüsü yarıdan fazla azalarak daha temiz, daha güvenilir pıhtı sınırlarına işaret etti. Bu kazanımlar bedava gelmedi: istemciler ile sunucu arasındaki iletişim birkaç on megabayttan birkaç gigabayta yükseldi ve ortalama eğitim süresi mimari gelişirken saniyelerden saatlere çıktı. Yine de sistem güçlü bir biçimsel gizlilik garantisi korudu; paylaşılan güncellemelerin herhangi bir birey hastaya ait çok az bilgi sızdırdığını gösteriyor.

Bu hastalar ve hastaneler için ne anlama geliyor

Halk için öz olarak bu çalışma, hastanelerin hassas verilerinin kontrolünü devretmeden tehlikeli kan pıhtılarını daha doğru tespit eden ortak bir YZ eğitebileceğini gösteriyor. Birkaç tamamlayıcı model tasarımını harmanlayıp her birinin öğrendiklerini dikkatle topluca birleştirerek, yazarlar hem güçlü hem de gizliliğe saygılı bir pıhtı‑segmentasyon sistemi inşa ediyor. Yaklaşım önemli düzeyde hesaplama kaynağı ve ağ bant genişliği gerektirse de, tıp merkezlerinin daha akıllı tanı araçları üzerinde rutin şekilde iş birliği yaptığı; DVT ve ilişkili durumlardaki hastalar için bakımın iyileştiği ve kişisel taramaların kurum duvarları arkasında güvende tutulduğu bir geleceğe işaret ediyor.

Atıf: B, P.L., S, V. Privacy-aware deep vein thrombosis segmentation using a multi-model federated learning framework with the federated averaging algorithm. Sci Rep 16, 11333 (2026). https://doi.org/10.1038/s41598-026-36432-2

Anahtar kelimeler: derin ven trombozu, federated learning, tıbbi görüntü segmentasyonu, gizliliği koruyan yapay zeka, BT görüntüleme