Fundus görüntüleriyle hibrit bir kuantum konvolüsyonel sinir ağı kullanarak birden çok göz hastalığının tanımlanması

Daha Akıllı Makinelerle Daha Keskin Göz Taramaları

Dünya genelindeki görme sorunlarının birçoğu göz hastalıkları erken yakalansaydı önlenebilirdi, ancak uzmanlar ve yüksek kaliteli görüntüleme her zaman erişilebilir değil. Bu çalışma, fundus olarak adlandırılan gözün arka kısmının fotoğraflarını okumak için kuantum bilgi işleminden ilham alan ve modern yapay zekâyla harmanlanan yeni bir yaklaşımı inceliyor. Amaç basit ama güçlü: birkaç yaygın göz hastalığını aynı anda, hızlı ve güvenilir şekilde saptamak, böylece görmeyi kurtarmaya yönelik tedavilerin daha erken başlanabilmesini sağlamak.

Gözün Arkasının Neden Önemi Var

Retina, gözülen ışığı beyne iletilen sinyallere çeviren ince bir doku tabakasıdır. Yaşa bağlı makula dejenerasyonu, glokom, diyabetik retinopati, hipertansiyona bağlı hasar, miyopi ve katarakt gibi birçok ciddi göz hastalığı burada belirgin izler bırakır. Doktorlar, gelişmiş tarayıcılardan daha ucuz ve daha yaygın bulunan standart bir fundus kamerasıyla retinayı fotoğraflayabilir. Ancak bu görüntüleri gözle okumak yavaştır, yüksek eğitimli uzmanlara bağımlıdır ve erken dönemdeki ince değişimler veya birden fazla sorunun birlikte bulunması durumunda özellikle zorlaşır.

Tanıdan Önce Görüntüyü Temizlemek

Herhangi bir bilgisayarın fundus fotoğraflarını anlamlı hale getirebilmesi için görüntülerin temizlenmesi ve standartlaştırılması gerekir. Bu çalışmada yazarlar önce dairesel göz bölgesini kırpıp yeniden boyutlandırıyor ve ardından iki teknikle önemli yapıların görünürlüğünü artırıyorlar: anahtar kenarları bulanıklaştırmadan gürültüyü azaltan anizotropik difüzyon filtresi ve kontrastı güçlendiren dalgacık (wavelet) dönüşümleri. Ayrıca eğitim setini döndürme, yakınlaştırma, kaydırma ve çevirme ile kontrollü gürültü ekleyerek genişletiyorlar. Bu titiz "görüntü düzenleme" modeli, gerçek dünya fotoğraflarındaki farklılıkları öğrenmeye yardımcı oluyor ve farklı kameralar veya aydınlatma koşullarında başarısız olma riskini azaltıyor.

Klasik Yapay Zekâ ile Kuantum Fikirlerini Karıştırmak

Çalışmanın merkezinde hibrit bir kuantum konvolüsyonel sinir ağı (QCNN) bulunuyor. Geleneksel bir konvolüsyonel sinir ağı, görüntülerdeki çizgi, doku ve şekil gibi desenleri tespit etmede çok iyidir. QCNN bu tanıdık yapıyı koruyor ancak verileri kuantum durumları olarak kodlayan kuantum‑ilhamlı katmanlar ekliyor. Pratikte, hafif bir klasik ağ önce hastanın sol ve sağ gözünden gelen her iki görüntü çiftini sıkıştırıyor. Bu özellikler daha sonra sekiz "kübit" gösterimine eşleniyor; burada özel kuantum kapıları dönüşümler yapıyor ve kübitler arasında bağlantılar kuruyor. Bu, nispeten az ayarlanabilir parametreyle çok zengin bir desen uzayını araştırmaya olanak tanıyor.

Kuantum Katmanları Nasıl Öğrenir

Modelin kuantum tarafı, görüntü analizinde iyi bilinen adımları taklit ediyor. Kuantum "konvolüsyon" katmanları veride yararlı yapıları tarayan filtreler gibi davranırken, kuantum "pooling" katmanları birçok kübitten gelen bilgiyi önemli ipuçlarını kaybetmeden birleştirerek karmaşıklığı azaltıyor. Sistem elde edilen kuantum hallerini tekrar tekrar ölçüyor ve bu ölçümleri her bir göz hastalığı etiketinin olasılığını çıktılayan son karar katmanına besliyor. Eğitim sırasında klasik bir optimizatör, doğruluk, kesinlik, geri çağırma (recall) ve F1‑skor gibi standart ölçütlerle yönlendirilerek hem geleneksel sinir ağı ağırlıklarını hem de kuantum kapı ayarlarını iyileştirmek için ayarlamalar yapıyor.

Modeli Test Etmeye Koymak

Bu yaklaşımın sadece şık bir fikirten daha fazlası olup olmadığını görmek için araştırmacılar modeli OIA‑ODIR üzerinde eğitip test ettiler; bu, yedi göz hastalığı artı normal gözler için etiketlenmiş 5.000 hastadan 10.000 fundus görüntüsünden oluşan büyük bir halka açık koleksiyon. Veriler, bazı görüntülerin modeli eğitmek, bazılarının ayarlamak ve diğerlerinin—hem aynı merkezden hem de dış merkezlerden—genelleme yeteneğini test etmek için kullanılacağı şekilde bölündü. Fundus‑DeepNet, Inception‑v4, VGG16 ve ResNet‑101 dahil olmak üzere birkaç güçlü derin öğrenme sistemiyle karşılaştırıldığında QCNN en iyi performansı gösterdi. Hem yerel hem de dış test setlerinde yaklaşık %94 doğruluk ve benzer şekilde yüksek kesinlik, geri çağırma ve F1‑skorlarına ulaştı; bu da yalnızca doğru sınıflandırmalar yapmanın ötesinde hasta vakalarını az atladığı anlamına geliyor.

Bu Hastalar İçin Ne Anlama Geliyor

Hukuk dışı bir bakışla mesaj şu: daha akıllı yazılımlar, kitlesel retina taramalarını daha hızlı, daha tutarlı ve aynı anda birden çok hastalığı işaretleyebilecek şekilde geliştirerek görme korumasına yardımcı olabilir. Burada tanımlanan kuantum‑geliştirmeli ağ hâlâ simülatörler üzerinde çalıştırılıyor ve güçlü bilgisayarlara dayanıyor, bu nedenle henüz rutin klinik kullanım için hazır değil. Ayrıca nadir hastalıklar için dengesiz veriler ve hastaneler arası farklılıklar gibi tıbbi yapay zekânın olağan sınırlamalarını miras alıyor. Yine de güçlü performansı, klasik ve kuantum‑ilhamlı yöntemleri birleştirmenin aynı göz fotoğraflarından daha fazla bilgi çıkarma potansiyeli olduğunu gösteriyor. Kuantum donanımı olgunlaştıkça ve veri setleri büyüdükçe, bu tür sistemler uzman eksikliği olan yerler başta olmak üzere dünya çapında göz doktorlarına destek sağlayan pratik araçlar haline gelebilir.

Atıf: Alqassab, A.I.M., Luque-Nieto, MÁ. & Mohammed, M.A. Identification of multiple ocular diseases using a hybrid quantum convolutional neural network with fundus images. Sci Rep 16, 6798 (2026). https://doi.org/10.1038/s41598-026-38063-z

Anahtar kelimeler: retina fundus görüntüleme, göz hastalığı tespiti, kuantum sinir ağları, tıbbi görüntü analizi, oftalmolojide yapay zeka