dengesiz dermoskopik görüntülerde yüksek varyansla doğru cilt lezyonu sınıflandırması: SCTFD çerçevesi

Neden daha akıllı cilt taramaları önemli

Cilt kanseri en yaygın kanserlerden biridir, ancak erken yakalandığında en tedavi edilebilir olanlardan biridir. Dermatologlar, tehlikeli olup olmadığını belirlemek için sıklıkla dermatoskop adı verilen elde tutulan bir büyüteçle çekilen ben ve leke yakın plan fotoğraflarına dayanır. Yine de bu görüntüleri yorumlamak zor olabilir, hatta uzmanlar için bile; yardımcı olabilecek bilgisayar sistemleri ise bazı kanser türlerinin nadir olması ve lezyonların hastadan hastaya çok farklı görünmesi nedeniyle sıkça zorlanır. Bu çalışma, tam da bu zorlu durumlarda bilgisayar tabanlı cilt lezyonu sınıflandırmasını daha doğru ve güvenilir kılmak için tasarlanmış SCTFD adlı yeni bir yapay zekâ (YZ) çerçevesini tanıtır.

Nadir ve yanıltıcı cilt lekelerinin zorluğu

Gerçek dünya cilt görüntü koleksiyonları dengeli olmaktan çok uzaktır. Çoğunlukla zararsız yaygın benler eğitim verilerinde binlerce kez görünürken, melanom gibi ciddi kanserler ya da nadir tümörler sadece birkaç yüz veya daha az örnekte yer alır. Aynı zamanda aynı hastalığa ait lezyonlar boyut, renk ve şekil açısından çok farklı görünebilir. Standart YZ sistemleri yaygın desenlere fazla uyum sağlama eğilimindedir ve nadir olanları göz ardı eder; bu da tıpta tehlikelidir: zararsız bir beni kaçırmaktansa melanomu kaçırmak çok daha kötü sonuçlar doğurur. Nadir görüntüleri basitçe kopyalama, birleştirme veya karmaşık üretici modeller kullanma gibi klasik stratejilerin gerçekçilik, stabilite veya hesaplama maliyeti açısından sınırlamaları vardır. SCTFD, bu dengesizliği ve çeşitliliği ele almak üzere özel olarak geliştirildi ve pratik kullanım için yeterince verimli kalmayı hedefler.

Daha iyi eğitim örnekleri oluşturmak

SCTFD'nin ilk yapı taşı CN-SMOTE adlı bir veri üretecidir. Piksel değerleri arasında doğrudan enterpolasyon yapmak veya kırılgan bir üretici rekabeti ağını eğitmek yerine CN-SMOTE bir kodlayıcı–kod çözücü çifti kullanır: bir ağ bir dermoskopik görüntüyü kompakt bir iç koda sıkıştırır, diğeri bu kodu tekrar görüntüye dönüştürür. Bu kompakt uzay öğrenildikten sonra yöntem nadir sınıf lezyonları arasında yakın komşuları bulur ve onların kodları arasında enterpolasyon yapar; sonra bu karışık kodları yeni görüntülere decode eder. Özel bir eğitim cezası aynı tipe ait lezyonların iç kodlarını birbirine yakın tutar, böylece sentetik görüntüler gerçekçi ve altta yatan hastalığa sadık kalır. Sonuç, nadir ama önemli lezyon türlerinin daha iyi temsil edildiği, daha büyük ve daha dengeli bir dermoskopik görüntü koleksiyonudur.

Hem ayrıntıları hem de bütünü görmek

İkinci bileşen MARD-Net her görüntüyü zengin bir belirteçler kümesine dönüştürmeye odaklanır. Konvolüsyonel katmanlar kenarlar ve dokular gibi ince desenleri yakalayan ayarlanabilir büyüteçler gibi davranır. Buna ek olarak bir dikkat modülü ağın gerçek lezyonun bulunduğu küçük bölgeye odaklanmasını öğretir, modeli dağıtabilecek çevresindeki sağlıklı cildi önemsizleştirir. Son olarak, bir Transformer tabanlı aşama tüm görüntü genelinde lezyonun uzak kısımları arasındaki ilişkileri yakalar; örneğin farklı renk ve yapılar nasıl düzenlenmiş onu görür. Transformer'larla genellikle gelen yüksek hesaplama yükünden kaçınmak için yazarlar, modele lezyonun geniş bir görünümünü kazandırırken yalnızca seçili bölgelerde odaklanmış dikkat hesaplamaları yapan kaydırmalı pencere stratejisi sunar; bu da daha hızlı ve daha az hafıza tüketen bir yaklaşım sağlar.

Modeli her sınıfa adil davranmaya yönlendirmek

SCTFD'nin üçüncü direği FDLoss adlı yeni bir eğitim hedefidir; bu hedef YZ'ye öğrenme sırasında nasıl ayarlanması gerektiğini söyler. Her görüntüyü eşit saymak yerine FDLoss zor ve nadir durumlara vurgu yapar, böylece model bol ve kolay örneklerle yetinip “rahat” olamaz. Bu, duyarlılık ve kesinlik arasında iyi bir dengeyi ödüllendiren bir kural ile ağın zaten doğru sınıflandırdığı önemsiz örnekleri ağırlık olarak düşüren bir başka yaklaşımın fikirlerini harmanlar. Bunların üzerine FDLoss, aynı hastalıktan olan görüntülerin modelin iç uzayında sıkı kümeler oluşturmasını teşvik eden ve farklı hastalıkları birbirinden uzaklaştıran bir terim ekler. Bu bileşim, sınıf dengesizliği ve tipik olarak sınıflandırıcıları kafa karıştıran her sınıf içindeki büyük varyasyonu doğrudan hedef alır.

Yeni yaklaşım ne kadar iyi performans gösteriyor

Yazarlar SCTFD'yi yedi ve sekiz lezyon türü içeren ve yaygın benlere güçlü biçimde eğilimli onlarca bin gerçek klinik dermoskopik görüntü barındıran iki yaygın uluslararası cilt görüntü benchmark'ı olan ISIC 2018 ve ISIC 2019 üzerinde test ettiler. Bir dizi son teknoloji yöntemle karşılaştırıldığında SCTFD daha yüksek doğruluk ve gerçek pozitifleri yakalama ile yanlış alarmlardan kaçınma arasında belirgin olarak daha iyi bir denge elde etti. ISIC 2018'de yaklaşık %93, ISIC 2019'da %91 civarında genel doğruluk sağladı ve kaçırma ile yanlış etiketlemeyi dengeleyen F1 skorunu tüm rakip sistemlerin ötesine taşıdı. Görselleştirmeler dikkat modüllerinin odak noktasının doğrudan lezyon bölgeleri olduğunu ve farklı hastalıklardan gelen özelliklerin eğitim sonrası daha temiz ayrıştığını gösterdi.

Bu hastalar ve doktorlar için ne anlama geliyor

Hastalar için SCTFD'nin sunduğu vaat, şüpheli bir leke ortaya çıktığında daha güvenilir bir ikinci görüş olasılığıdır. Nadir kanserlerin gerçekçi örneklerini sentezleyerek, her görüntünün en bilgilendirici kısımlarına odaklanarak ve hastalık türleri arasında net ayrım yapılmasını zorlayan bir kayıp fonksiyonuyla eğitilerek çerçeve, otomatik sistemlerin tehlikeli lezyonları yalnızca nadir veya atypikal oldukları için gözden kaçırma riskini azaltır. Bir dermatologun yargısının yerine geçmese de bu yaklaşım kliniklerde ve tele-tıp platformlarında erken ve doğru teşhis barajını düşürebilir; potansiyel olarak hayatı tehdit eden cilt kanserlerini daha erken ve daha tutarlı şekilde yakalamaya yardımcı olabilir.

Atıf: Li, X., Ouyang, J., Chen, Y. et al. Accurate skin lesion classification on imbalanced dermoscopic images with high variance via the SCTFD framework. Sci Rep 16, 12302 (2026). https://doi.org/10.1038/s41598-026-37846-8

Anahtar kelimeler: cilt kanseri tespiti, dermoskopi yapay zekâsı, tıbbi görüntü sınıflandırması, dengesiz veri kümeleri, dermatolojide derin öğrenme