Derin öğrenme modelleri kullanılarak Plus formu ve ROP’un erken evrelerinin otomatik teşhisi

Neden küçük gözler ve akıllı bilgisayarlar önem taşıyor

Her yıl, binlerce prematüre bebek göz arkasındaki kan damarlarının normal şekilde gelişmemesi nedeniyle görme kaybı riskiyle karşı karşıya kalıyor; bu duruma prematür retinopatisi (ROP) deniyor. Bu sorunu erken yakalamak görmeyi kurtarabilir, ancak bunun için sık aralıklarla yüksek eğitimli uzmanların yaptığı göz muayeneleri gerekiyor—ki uzman sayısı dünyanın birçok bölgesinde yetersiz. Bu çalışma, modern yapay zekânın (YZ) retinal fotoğraflarda erken uyarı işaretlerini tespit ederek uzman düzeyinde taramayı uzman göz bakımından yoksun hastane ve kliniklere taşıma potansiyelini araştırıyor.

Sorun: en küçük hastalarda kırılgan görme

ROP, prematüre doğumun retinadaki—gözün arkasındaki ışığa duyarlı tabaka—kan damarlarının normal büyümesini kesintiye uğratmasıyla gelişir. Çok erken doğan veya çok düşük doğum ağırlıklı bebekler en yüksek riske sahiptir. Hafif vakalarda göz kendiliğinden iyileşir. Ağır vakalarda anormal damarlar retinayı çekerek kalıcı körlüğe yol açabilir. Dünya genelinde tahmini 50.000 kişi ROP nedeniyle görme kaybı yaşıyor; bu özellikle yenidoğan bakımının hayatta kalmayı artırdığı ancak göz tarama programları ile uzmanların aynı oranda gelişmediği bölgelerde geçerli. Mevcut taramalar emek yoğun, maliyetli ve öznel; iki uzman bazen bir bebeğin hastalığının ne kadar şiddetli olduğu konusunda farklı görüşlere sahip olabiliyor.

Doktorların baktığı şeyler: kıvrılmış damarlar ve erken evreler

Göz doktorları retinal görüntülerde ROP’u değerlendirirken iki ana göstergeye dayanır. Birincisi hastalığın genel evresidir; Evre 0 (görünür değişiklik yok) ile erken problem evreleri (1–3) arasında değişir. Diğeri ise Plus hastalığıdır: retinadaki damarların olağandışı şekilde genişlediği ve kıvrıldığı bir uyarı işaretidir. Plus hastalığı ciddi hasar riskinin arttığını gösterir ve genellikle lazer tedavisi veya ilaç enjeksiyonları gibi müdahaleleri tetikler. Bu özellikleri gözle değerlendirmek zordur; görüntüler bulanık olduğunda ya da bebeklerin haftalarca tekrarlayan muayenelere ihtiyacı olduğunda daha da zorlaşır. Görsellerden yalnızca Plus hastalığını otomatik olarak işaretleyebilen ve ROP evresini tahmin edebilen bir sistem, klinisyenler için güçlü bir destek aracı olurdu.

YZ’nin görme biçimi: göz fotoğraflarından damar haritaları çıkarmak

Araştırmacılar 188 bebeğe ait 6.000’den fazla retinal görüntü kullanarak iki aşamalı bir YZ boru hattı geliştirdiler. Önce her retinanın her görünen damarı—en ince dalları bile—vurgulayacak şekilde kesin bir “damar haritası” çizmeyi öğrenmesi için bir sinir ağı eğittiler. Birkaç rakip görüntü işleme modelinin arasında, U-Net++ adlı sürüm özellikle gürültülü veya düşük kontrastlı görüntülerde ayrıntılı damar desenlerini yakalamada en iyi performansı gösterdi. Netliği artırmak için ekip segmentasyondan önce her fotoğrafı kontrast arttırma filtreleri ve gürültü azaltma ile iyileştirdi. Plus hastalığı tespiti için daha sonra yalnızca damar haritaları—tam renkli fotoğraflar değil—ikinci bir sinir ağına verildi; çünkü Plus hastalığı neredeyse tamamen damar kalınlığı ve eğriliği ile tanımlanır.

Ağın hastalık şiddetini derecelendirmeyi öğretmek

ROP evresini değerlendirmek için YZ yalnızca damar şekline dayanamazdı. Bu nedenle sistem, orijinal renkli retinal görüntüleri ile bunlara karşılık gelen damar haritalarını birleştirerek modele hem retinanın genel görünümünü hem de damarların keskinleştirilmiş görünümünü sağladı. Ekip birkaç tanınmış derin öğrenme omurgasını test etti ve EfficientNetB4 adlı modelin doğruluk ile verimlilik arasında en iyi dengeyi sunduğunu buldu. Ayrı tutulan doğrulama görüntülerinde, Plus hastalığı algılayıcısı yüzde 99,6 doğruluk ulaşırken, evre sınıflandırıcısı Evre 0’dan 3’e kadar yüzde 98 doğruluk elde etti. Kesinlik–çağrı eğrileri ve alıcı işletim karakteristiği (ROC) eğrileri dahil ek kontroller, modelin yüksek duyarlılık (hastalığı nadiren kaçırma) ve yüksek özgüllük (yanlış alarmı nadiren yükseltme) koruduğunu gösterdi; bu, Plus hastalığının normal görüntülere göre çok daha nadir olmasına rağmen geçerliydi.

“Kara kutu”ya bakmak

Tedaviyi etkileyebilecek herhangi bir araca klinisyenlerin güvenmesi gerektiğinden, yazarlar YZ’nin kararlarını nasıl verdiğini sorguladılar. t-SNE gibi görselleştirme yöntemleri kullanarak farklı sınıflardan (örneğin Plus vs. Normal veya Evre 1 vs. Evre 3) görüntülerin modelin iç özellik uzayında iyi ayrılmış kümeler oluşturduğunu gösterdiler. Grad-CAM adlı ısıl harita teknikleriyle her retinanın hangi bölgelerinin bir tahmini en güçlü biçimde etkilediğini vurguladılar. Plus hastalığı için model, damarların anormal derecede geniş veya kıvrılmış olduğu alanlara odaklandı ve bu uzmanların baktığı kriterlerle örtüştü. Evre derecelendirmede ise model optik disk ve makula gibi diğer bölgelere de dikkat ederek akıl yürütmesinin saçma görüntü artefaktlarından ziyade yerleşik tıbbi kriterlerle yakından uyumlu olduğunu önerdi.

Bu, bebekler ve klinikler için ne anlama geliyor

Düz bir ifadeyle, bu çalışma dikkatle tasarlanmış bir YZ sisteminin prematüre bebeklerin retinal görüntülerini neredeyse uzman doğruluğunda okuyabildiğini; hem tehlikeli damar değişikliklerini tespit edebildiğini hem de hastalığın ne kadar ilerlediğini değerlendirebildiğini gösteriyor. Çalışma tek bir tıp merkezinde yürütüldü ve yalnızca erken ile orta evreleri içerdi; dolayısıyla daha geniş çok merkezli denemeler ve daha ileri vakalardan elde edilmiş veriler hâlâ gerekli. Yine de sonuçlar, ilave doğrulama ve telemedisin platformlarına dikkatli entegrasyon ile bu tür araçların aşırı yüklü sağlık sistemlerinin çok daha fazla bebeği daha tutarlı ve daha düşük maliyetle taramasına yardımcı olabileceğini gösteriyor. Bu, bazı yenidoğan bakımındaki en savunmasız hastalar için daha erken müdahale ve görmenin korunması şansının artması anlamına gelebilir.

Atıf: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

Anahtar kelimeler: prematür retinopatisi, yapay zeka, derin öğrenme, tıbbi görüntüleme, yenidoğan göz hastalığı