TrustNet: iskemiğe bağlı inme tespiti için BT görüntülerinde entegre belirsizlik nicelendirimi ve nicel açıklanabilir yapay zekâya sahip hafif bir ağ

Neden daha akıllı inme taramaları önemli?

Biri inme geçirdiğinde, gecikilen her dakika beyin dokusuna ve nihayetinde yaşam kalitesine mal olabilir. Doktorlar acil tedavi gerektirip gerekmediğine karar vermek için sıklıkla başın hızlı BT taramalarına güvenir; ancak iskemiğe bağlı inmenin bu görüntülerdeki erken belirtileri ince ve uzmanlar için bile kolayca kaçırılabilir. Birçok yapay zekâ sistemi taramalardaki desenleri tespit edebilir, fakat genellikle opak “kara kutu” gibi davranır ve ne kadar emin olduklarına dair bir fikir sunmaz. Bu çalışma, yalnızca doğru olmakla kalmayıp aynı zamanda nerelere baktığını ve ne kadar güvendiğini gösteren, klinisyenlerin ne zaman güvenip ne zaman temkinli olması gerektiğine karar vermesine yardımcı olacak şekilde tasarlanmış TrustNet adlı yeni bir yapay zekâ yaklaşımını tanıtıyor.

Büyük bir acil durum için küçük bir araç

TrustNet, normal beyin BT görüntülerini tıkalı kan damarlarının yol açtığı bir inme türü olan iskemiğe bağlı inme gösterenlerden ayırt etmek üzere kurulmuş kompakt bir bilgisayarlı görme sistemidir. Güçlü donanım gerektiren birçok ağır görsel analiz ağının aksine, TrustNet 0,66 milyon ayarlanabilir parametreyle hafif bir tasarım kullanır; bu da sınırlı hesaplama kaynaklarına sahip hastaneler ve yatak başı veya mobil kullanım için uygun olmasını sağlar. Araştırmacılar modeli Hindistan’daki bir hastaneden özenle seçilmiş 2.023 BT görüntüsünden oluşan özel bir koleksiyon üzerinde, sağlıklı ve inme vakaları arasında eşit olarak bölünmüş şekilde eğitip test ettiler; ardından kurum dışı genelleme kapasitesini değerlendirmek için çevrimiçi bir depodan alınan genel bir veri kümesiyle ek zorluklara tabi tuttular.

Ağın ne zaman hata yapabileceğini öğretmek

Bu çalışmadaki kilit yeniliklerden biri TrustNet’in kendi belirsizliğini tahmin edecek şekilde tasarlanmış olmasıdır. Her tarama için tek ve katı bir cevap üretmek yerine, sistem aynı görüntüyü iç bağlantılarının bazılarını rasgele devre dışı bırakarak modelden birden fazla kez geçirir. Bu tekrarlı çalıştırmaların ne kadar uyuşmadığına bakarak, model her tahmine çok emin olandan oldukça şüpheciye kadar değişen sayısal bir belirsizlik ölçüsü atayabilir. Bir vaka seçilen belirsizlik eşik değerinin üzerindeyse, güvenilir otomatik bir karar yerine uzman incelemesi için işaretlenir. Bu basit mekanizma, hem atlanan inmeleri hem de yanlış alarmları keskin biçimde azalttı; temel düzende yaklaşık %88 olan test doğruluğunu hasta düzeyinde neredeyse %95’e çıkardı ve özel kohortta %100 özgüllük ve %100 kesinlik sağladı.

Makinenin akıl yürütmesini görüntü üzerinde görünür kılmak

Güven skorlarının ötesinde, yazarlar TrustNet’in bir taramayı normal veya anormal olarak nitelendirirken beynin doğru bölgelerine “bakıp bakmadığını” görmek istediler. Karar üzerinde en çok etkili olan bölgeleri vurgulayan renkli bir ısı haritasını BT görüntüsünün üzerine bindiren bir görselleştirme tekniği kullandılar. Safi nitel incelemeyi aşmak için, bu ısı haritalarının yoğunluğunu ortalayan yeni ve basit bir metrik geliştirdiler. Doğru sınıflandırılan taramaların, olası lezyon alanları üzerinde odaklanmış, orta yoğunluklu vurgular gösterme eğiliminde olduğunu; yanlış sınıflandırılanların ise genellikle çok yüksek yoğunluklu, büyük ve dağınık bölgeleri aydınlattığını buldular. Bu ısı haritası yoğunluğu ölçüsüne bir eşik koyarak sistem, bazı güvensiz açıklamaları tespit edebildi ve hata alt kümesini düzelterek belirsizlik tahmininin üzerine ikinci bir güvenlik ağı sağladı.

Yeni sistem nasıl karşılaştırılıyor?

Ekip, TrustNet’i VGG ve ResNet gibi klasik derin modellerden daha yeni ve verimli tasarımlara kadar uzanan iyi bilinen görüntü tanıma ağlarıyla karşılaştırdı. Bu rakiplerin birçoğu ya çok daha fazla bellek ve hesaplama gerektiriyor ya da aşırı uyum (overfitting) veya duyarlılık ile kesinlik arasında zayıf denge gibi zayıflıklar gösteriyordu. TrustNet, kompakt ve hızlı kalırken, çok daha büyük modellerle eşdeğer veya daha iyi performans elde etti. Özel verinin dilim düzeyindeki testlerinde neredeyse %99 doğruluğa ulaştı ve dıştaki genel veri kümesinde belirsizlik ve açıklama modülleri eklendikten sonra %98’in üzerinde doğruluk sağladı. Modelin belirttiği güvenin gerçek doğrulukla uyumlu olup olmadığını kontrol eden kalibrasyon testleri, basit bir son işlem adımından sonra TrustNet’in olasılıklarının gerçeğe makul derecede iyi uyduğunu gösterdi.

İnme bakımında bunun anlamı nedir?

Bir lay kişinin anlayacağı ana mesaj, bu çalışmanın inme tespiti yapay zekâsını klinisyenlerin pratikte gerçekten ihtiyaç duyduğu şeye daha da yaklaştırdığıdır: gizemli bir algoritmadan gelen evet-hayır cevabından ibaret olmayan, modelin nerede sorun gördüğünün hızlı görsel göstergesi ve ne kadar emin olduğuna dair dürüst bir tahmin. TrustNet, iskemiğe bağlı inmeyi BT taramalarında yüksek doğrulukla saptayan; aynı zamanda belirsiz vakaları işaretleyip görüntü üzerindeki akıl yürütmesini açığa çıkaran küçük, verimli bir sistemin geliştirilebileceğini gösteriyor. Çalışma şu ana kadar basit iki yönlü bir seçim—inme veya değil—ve ağırlıklı olarak tek bir hastaneden elde edilen verilerle sınırlı olsa da, insan yargısını zamanda kritik inme bakımında ikame etmek yerine destekleyecek, daha şeffaf ve güvenilir yapay zekâ araçlarına yönelik umut verici bir yol sunuyor.

Atıf: Inamdar, M.A., Gudigar, A., Raghavendra, U. et al. TrustNet: a lightweight network with integrated uncertainty quantification and quantitative explainable AI for ischemic stroke detection in CT images. Sci Rep 16, 9861 (2026). https://doi.org/10.1038/s41598-026-37169-8

Anahtar kelimeler: iskemik inme, beyin BT, tıbbi yapay zekâ, belirsizlik nicelendirimi, açıklanabilir yapay zekâ