Özelleştirilmiş transfer öğrenme algoritmaları kullanılarak sedef hastalığı sınıflandırmasındaki gelişmeler

Daha akıllı cilt tanısının önemi

Sedef hastalığı inatçı bir döküntüden daha fazlasıdır. Bu uzun süreli cilt durumu çatlamaya, kanamaya, kaşıntıya ve hatta eklemlere zarar verebilecek belirtilere yol açarak uykuyu, işi ve sosyal yaşamı bozabilir. Yine de doktorlar bunu çoğunlukla göze dayanarak teşhis eder; bu yaklaşım özellikle hastalık vücudun farklı bölgelerinde farklı biçimler aldığında yavaş ve öznel olabilir. Bu çalışma, modern yapay zekânın (YZ) nasıl yardımcı olabileceğini araştırıyor: bilgisayar programlarını cilt fotoğraflarından yedi ayrı sedef alt tipini tanıyacak şekilde eğiterek uzman klinisyenlerle rekabet edebilecek ve gelecekte onları destekleyebilecek doğruluk seviyelerine ulaşmayı hedefliyor.

Tek hastalık, birçok görünüm

Sedef hastalığı herkesin üzerinde aynı görünmez. Araştırmacılar yedi alt tipe odaklanıyor: plak sedef (klasik pullu yamalar), guttat (küçük damla şeklinde lekeler), tırnak sedefi, püstüler sedef (irinle dolu kabarcık benzeri oluşumlar), eritrodermik sedef (yaygın alev kırmızılığı), inversiyon (deri katlarında görülen düz kırmızı lekeler) ve cilt değişikliklerini ağrılı, şiş eklemlerle birleştiren psoriatik artrit. Bu alt tipler arasında ayrım yapmak önemlidir çünkü her birinin farklı tedavi gereksinimleri ve farklı risk işaretleri olabilir. Ancak semptomlar birbirleriyle ve diğer cilt hastalıklarıyla örtüşebilir; bu da görsel tanıyı, özellikle uzman klinikler dışında, zorlaştırır.

Zengin bir görsel kütüphane oluşturmak

Bilgisayarları bu alt tipleri ayırt edecek şekilde öğretmek için ekip öncelikle uygun veriyi toplamalıydı. Mevcut halka açık cilt görüntü koleksiyonları nadiren kesin sedef alt tipini etiketler ve bazı formlar diğerlerinden çok daha nadirdir. Yazarlar ISIC, HAM10000 ve DermNet dahil olmak üzere birkaç açık tıbbi görüntü deposundan toplam 4.005 görüntü derlediler. Ardından her görüntüyü yedi sedef kategorisinden birine sınıflandırdılar. Bilgisayarın yaygın türleri fazla öğrenip nadir olanları görmezden gelmesini önlemek için görüntü çoğaltma (image augmentation) kullandılar: resimleri döndürerek, yakınlaştırarak ve ters çevirerek çeşitli kopyalar oluşturdular. Bu dengeleme adımı veri kümesini yedi sınıf arasında daha eşit hale getirdi ve modellerin birkaç sık örneği ezberlemek yerine sağlam desenleri öğrenmesine yardımcı oldu.

Makinelere cildi okumayı öğretmek

Sıfırdan başlamak yerine araştırmacılar transfer öğrenmeye dayandı. Milyonlarca günlük fotoğraf üzerinde önceden eğitilmiş üç güçlü görüntü tanıma sistemi — ResNet50, InceptionResNetV2 (burada InceptionV2 olarak anılıyor) ve InceptionV3 — alındı ve sedef görüntüleri üzerinde ince ayar yapıldı. Görseller modele verilmeden önce her biri sabit bir boyuta standartlaştırıldı ve piksel değerleri normalize edildi. Ardından iç katmanların çoğu donduruldu, yedi sedef tipine uyarlanmış yeni “üst” katmanlar eklendi ve bu eklemeler denetimli veri kümesi üzerinde eğitildi. Hangi eğitim prosedürünün daha güvenilir öğrenme sağladığını görmek için Adam ve RMSprop adlı iki popüler optimizasyon yöntemi karşılaştırıldı.

Hangi YZ sedefi daha iyi öğreniyor?

Üç modelin tümü sedef tiplerini umut verici doğrulukla tanıyabildi, ancak biri açıkça öne çıktı. ResNet50 modeli makul performans gösterdi; test görüntülerinin yaklaşık beşte dördünü doğru sınıflandırdı. InceptionV2 çok daha iyi sonuç verdi ve RMSprop ile eğitildiğinde görülmemiş test verisinde yaklaşık %97 doğruluğa ulaştı. En güçlü sonuçlar yine RMSprop ile eşleştirilen InceptionV3’ten geldi: test görüntülerinin yaklaşık %99’unda alt tipi doğru tanımladı ve pozitif tahminlerinin doğruluğu ile tespit duyarlılığı da benzer şekilde yüksekti. Görsel açıklama araçları—modelin kararını yönlendiren görüntü bölgelerini vurgulayan yöntemler—modelin kararlarında arka plandan ziyade lezyonların klinik olarak anlamlı bölgelerine odaklandığını gösterdi; bu, gelecekte klinik güven için cesaret verici bir işaret.

Bu hastalar için ne anlama gelebilir?

Sedefle yaşayan insanlar için bu gelişmeler bir dermatoloğun yerini almaz, ancak yakında güçlü bir ikinci bakış sağlayabilir. Cilt fotoğraflarını ayrıntılı alt tiplere ayırabilen doğru, otomatik bir sistem telemedisini destekleyebilir, uzak bölgelerdeki uzman olmayan doktorlara yardımcı olabilir ve karmaşık veya şiddetli vakaları daha erken işaretleyebilir. Yazarlar aracın hâlâ gerçek dünya klinik fotoğrafları ile farklı cilt tonları ve kameralar üzerinde test edilmesi gerektiğini vurguluyor. Yine de çalışmaları, özellikle InceptionV3 modelinin, yedi sedef formunu güvenilir şekilde ayırt edebildiğini gösteriyor; bu da daha hızlı, daha tutarlı teşhis ve nihayetinde daha kişiselleştirilmiş bakım için kapıyı aralıyor.

Atıf: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

Anahtar kelimeler: sedef hastalığı, cilt görüntüleme, derin öğrenme, tıbbi yapay zeka, hastalık sınıflandırması