Meme kanseri tanısı için Swin Transformer ve Çift Dikkat Çok Ölçekli Füzyon Ağı kullanan bir derin öğrenme çerçevesi

Hastalar ve doktorlar için bunun önemi

Meme kanseri, kadınlarda en yaygın görülen kanserlerden biridir ve mamogramlar onu erken yakalamada başlıca araçtır. Ancak bu X‑ray görüntülerinin okunması, uzmanlar için bile zordur ve küçük uyarı işaretleri gözden kaçabilir. Bu çalışma, radyologların meme kanserini daha güvenilir şekilde tespit etmelerine yardımcı olmak amacıyla mamogramlara iki güçlü bakış biçimini birleştiren yeni bir yapay zekâ (YZ) sistemi sunar: birisi geniş resmi görür, diğeri ise minik detaylara odaklanır.

Ormanı ve ağaçları aynı anda görme zorluğu

Günümüz YZ sistemleri tıbbi görüntülerin okunmasında zaten yardımcı oluyor, ancak çoğu tek tür modele dayanıyor. Konvolüsyonel sinir ağları, keskin kenarlar veya küçük parlak noktalar gibi yerel desenleri tespit etmede iyidir. Görsel transformerlar ise görüntü genelinde ilişkileri anlamada öne çıkan daha yeni bir model ailesidir. Mamogramlar ise her iki yeteneği aynı anda gerektirir: kanser mikrokalsifikasyonlar veya ince doku bozulmaları şeklinde çok küçük işaretler olarak ortaya çıkabilir, fakat bu işaretlerin anlamı onların meme yapısındaki konumlarıyla ilişkilidir. Aynı zamanda gerçek mamografi veri kümeleri nispeten küçüktür ve genellikle kanser vakalarından ziyade normal incelemelere ağırlık vererek dengesizdir; bu durum YZ sistemlerinin fazla uyum sağlamasını veya önyargılı hale gelmesini kolaylaştırır.

Geniş bakıp derinlemesine yakınlaşan iki yollu bir YZ

Yazarlar, küresel ve yerel görmeyi birleştirmek için özellikle tasarlanmış bir hibrit model olan Swin‑DAMFN’i tanıtır. Bir dal, mamogramı pencerelere ayıran ve uzun menzilli bağlamı—memedeki farklı bölümlerin birbirleriyle nasıl ilişkilendiğini—yakalamak için dikkat mekanizması kullanan Swin Transformer’a dayanır. İkinci dal ise Çift Dikkat Çok‑Ölçekli Füzyon Ağı (DAMFN) adlı özel bir konvolüsyonel ağdır. Bu dal, mikrokalsifikasyonlar ve hafif doku bozulmaları gibi son derece ince detayları yakalamaya ayarlanmıştır. İçinde, görüntüyü birden çok ölçek ve yönde analiz eden özel bloklar bulunur; ardından dikkat modülleri klinik olarak bilgi verici görünen bölgeleri vurgularken arka plan dokusunu geri plana atar.

Sistemi daha çok ve daha zengin görüntüyle öğretmek

Gerçek mamografi veri kümeleri sınırlı ve kanser dışı vakalara kaydırılmış olduğundan araştırmacılar eğitim verisini iki tamamlayıcı yöntemle güçlendirdiler. İlk olarak, koşullu GAN adı verilen bir tür üretici model kullanarak, özellikle temsil edilmeyen malign kategoriler için gerçekçi mamogram yamaları ürettiler. Bu üretilen görüntüler sınıfları dengelemeye ve modele hastalığın görünümünün daha fazla çeşidini göstermeye yardımcı olur. İkinci olarak, hem gerçek hem de sentetik görüntülere parlaklık, kontrast ve keskinlikte küçük, rastgele fotometrik değişiklikler uyguladılar. Bu, YZ’nin yüzeysel aydınlatma veya gürültüye değil, gerçek anatomik desenlere odaklanmasını zorlayarak yeni taramalara genelleme yeteneğini iyileştirir.

Tanı sırasında parçalar birlikte nasıl çalışır

Analiz sırasında, ön işlenmiş bir mamogram eş zamanlı olarak her iki dala beslenir. Swin Transformer küresel yapının kompakt bir özetini üretirken, DAMFN yerel özelliklerin zengin bir haritasını çıkarır. Bunlar daha sonra boyut olarak hizalanır ve tek bir temsilde birleştirilir. Hafif bir “triplet attention” bloğu, kanallar ve mekânsal boyutlar arasında çapraz kontrol yaparak bu füzyonu daha da rafine eder; böylece modelin dikkati hastalık içerebilecek bölgelere yönlendirilir. Son olarak, basit bir sınıflandırma başlığı bilgileri ortalayıp normal doku, benign bulgular veya farklı tip malign lezyonlar gibi birkaç sınıf üzerinde bir tahmin üretir.

Sonuçların pratikte ne anlama geldiği

Takım Swin‑DAMFN’i yaygın kullanılan iki açık veri kümesi olan CBIS‑DDSM ve MIAS üzerinde test etti ve birçok popüler derin öğrenme modeliyle karşılaştırdı. Sistemleri CBIS‑DDSM’de yaklaşık %99 doğruluk ve MIAS’ta neredeyse %99 doğruluk elde etti; benzer şekilde yüksek duyarlılık (kanserleri yakalama yeteneği) ve özgüllük (sahte alarmlardan kaçınma) gösterdi. Ayrıntılı ablation çalışmaları, çift dallar, dikkat‑temelli füzyon ve veri artırma stratejisi gibi her bileşenin bu iyileşmelere katkıda bulunduğunu ortaya koydu. Yazarlar daha çeşitli hastane verilerinde daha geniş testlerin hâlâ gerektiğini belirtse de, bulgular Swin‑DAMFN gibi hibrit YZ sistemlerinin meme kanseri taramasında değerli asistanlar olabileceğini; radyologların tehlikeli lezyonları daha erken ve daha tutarlı tespit etmelerine yardımcı olurken iş yükünü ve belirsizliği azaltabileceğini öne sürüyor.

Atıf: Aldawsari, M.A., Aldosari, S.J., Ismail, A. et al. A deep learning framework for breast cancer diagnosis using Swin Transformer and Dual-Attention Multi-scale Fusion Network. Sci Rep 16, 8941 (2026). https://doi.org/10.1038/s41598-026-37969-y

Anahtar kelimeler: meme kanseri, mammografi, derin öğrenme, transformer modelleri, tıbbi görüntüleme yapay zekâsı