MobilNetV1 ve açıklanabilir yapay zekâ (XAI) tabanlı vision transformer kullanarak farklı BI-RADS meme kanseri teşhisi

Kansere Daha Erken Bakmak

Meme kanseri erken tespit edildiğinde en iyi tedavi edilir; ancak mammogramları okumak zor ve zaman baskısı altında yapılan bir iştir. Bu çalışma, mammogramlarda kanser belirtilerini çok yüksek doğrulukla saptamanın ötesinde, doktorlara kararlarında hangi meme görüntüsü bölgelerinin etkili olduğunu tam olarak gösterebilen yeni bir yapay zekâ (YZ) sistemi tanımlıyor. İki modern görüntü analizi tekniğini akıllıca birleştirerek sistem, radyologlara hızlı, güvenilir ve şeffaf ikinci görüşler sunmayı hedefliyor.

Mammogramları Okumanın Neden Bu Kadar Zor Olduğu

Mammogramlar, meme dokusunun erken kanser belirtilerini kontrol etmek için kullanılan X-ışını görüntüleridir. Radyologlar her incelemeye normal bulgulardan açıkça kanserli bulgulara kadar uzanan standartlaştırılmış bir ölçek olan BI-RADS puanı verirler. Yoğun memelerde, çok miktarda glandüler doku bulunduğunda, şüpheli bölgeler gizlenebilir veya zararsız yapılarla benzer görünebilir. Önceki birçok bilgisayar destekli araç ya yalnızca basit evet‑hayır kanser kararlarına odaklandı, BI-RADS kategorilerinin tüm aralığıyla başa çıkmakta zorlandı ya da kararın neden verildiğini belirsiz bırakan bir kara kutu gibi çalıştı.

Bir Görüntüye “Bakmanın” İki Yolunu Harmanlamak

Araştırmacılar, dikkatli bir insan okuyucunun bir mammogramı tarama şeklini taklit eden hibrit bir YZ çerçevesi geliştirdiler: önce küçük ayrıntıları, sonra bütünü inceleyerek. Sistemden bir bölüm, MobileNetV1 adlı kompakt bir ağa dayanarak küçük kalsifikasyonlar ve keskin lezyon sınırları gibi yerel ayrıntılara odaklanıyor. İkinci bölüm, bir vision transformer, görüntüyü yamalara böler ve desenlerin tüm meme boyunca nasıl ilişkili olduğunu analiz ederek genel doku yapısını ve ince deformasyonları yakalıyor. Bu iki “akış”tan elde edilen özellikler daha sonra her görüntünün tek, zengin bir betimlemesinde birleştiriliyor.

Veriyi Temizleme, Dengeleme ve Basitleştirme

Görüntüler YZ hattına girmeden önce birkaç hazırlık aşamasından geçer. Ekip, ince yapıları güçlendiren ancak gürültüyü abartmayan bir kontrast iyileştirme yöntemi kullanarak soluk lezyonları daha görünür hale getiriyor. Görüntüler yeniden boyutlandırılıp normalleştirilerek sistemin onları tutarlı bir biçimde görmesi sağlanıyor. Bazı BI-RADS kategorilerinin—örneğin açıkça malign vakaların—nispeten nadir olması durumuna karşılık, yazarlar küçük döndürmeler ve çevirmeler gibi veri artırma yöntemleri ve daha az görülen kategorilerin öğrenme sırasında etkili olmasını sağlayan sınıf‑farkındalıklı eğitim uyguluyor. İki akış özellikleri çıkardıktan sonra, temel bileşen analizi (PCA) gibi matematiksel bir araç bu bilgiyi sıkıştırarak en önemli olanı koruyor ve karmaşıklığı azaltıyor.

Özelliklerden Risk Skorlarına, Açıklamalarla Birlikte

Son adım için, ağır ve şeffaf olmayan bir sinir ağı sınıflandırıcısına güvenmek yerine, yazarlar “bagging” topluluğunda birleştirilen çok sayıda basit lojistik regresyon modeli kullanıyor. Her model, görüntü özelliklerini BI-RADS risk düzeylerine bağlamanın doğrudan bir yolunu sunuyor ve bunların çoğunluk oyu göreceli olarak mütevazı veri seti üzerinde aşırı öğrenmeye karşı kararlılık sağlıyor. King Abdulaziz Üniversitesi Meme Kanseri veri setinden alınan 6.000’den fazla mammogram üzerinde test edildiğinde, hibrit sistem hedeflediği dört ana BI-RADS kategorisinde—normal, muhtemelen benign, şüpheli ve malign—%99’un üzerinde doğruluk, duyarlılık ve özgüllük elde etti.

Doktorların YZ’nin Gördüğünü Görmesine İzin Vermek

Kararlarını anlaşılır kılmak için sistem, Grad‑CAM ve Grad‑CAM++ olarak bilinen açıklanabilir YZ tekniklerini kullanıyor. Bunlar, tahmin edilen BI-RADS skorunu en çok etkileyen bölgeleri vurgulayan renkli ısı haritalarını mammogram üzerine bindiriyor. Malign vakalarda, vurgulanan bölgeler genellikle uzman radyologların belirttiği kitleler veya kalsifikasyon kümeleri ile uyum gösteriyor; normal görüntülerde ise belirgin veya odaklanmış aktivasyon çok az veya hiç olmuyor. Bu görsel geri bildirim, modelin tıbben anlamlı özelliklere mi yoksa alakasız bölgelere mi dikkat ettiğini değerlendirmede klinisyenlere yardımcı oluyor ve yoğun doku gibi uzmanlar için bile sınırda kalan vakaların neden zor olduğunu açıklayabiliyor.

Bu Hastalar İçin Ne Anlama Gelebilir

Çalışma, tek bir klinik veri seti üzerinde, bu çift akışlı, açıklanabilir YZ sisteminin mammogramları önceki birçok yönteme kıyasla eşdeğer veya bazı açılardan daha üstün doğrulukla birden fazla risk düzeyine ayırabildiğini gösteriyor. Yine de farklı nüfuslar ve hastaneler üzerinde daha fazla test edilmesi gerekiyor; ancak yaklaşım, yalnızca yüksek doğruluklu değil, aynı zamanda yoğun klinikler için yeterince hızlı ve radyologların ve hastaların güvenini kazanacak kadar şeffaf YZ araçlarına doğru bir yön gösteriyor. Pratikte, bu tür sistemler uzman bir ikinci çift göz gibi hareket ederek ince bulguları işaretleyebilir, atlanan kanserleri azaltabilir ve meme kanseri riski hakkında daha net, daha kendinden emin konuşmaları destekleyebilir.

Atıf: Abdelsabour, I., Elgarayhi, A., Sallah, M. et al. Different BI-RADS breast cancer diagnosis using MobileNetV1 and vision transformer based on explainable artificial intelligence (XAI). Sci Rep 16, 7190 (2026). https://doi.org/10.1038/s41598-026-37199-2

Anahtar kelimeler: meme kanseri, mammografi, yapay zekâ, vision transformer, açıklanabilir AI