Meme kanseri tespitinde göğüs ultrasonu için topluluk tabanlı yüksek performanslı derin öğrenme modelleri ile tıbbi görüntü arama

Neden daha akıllı taramalar göğüs sağlığı için önemli

Meme kanseri, kadınlarda en yaygın kanserlerden biridir ve şüpheli kitleleri erken yakalamada ultrason taramaları önemli bir araçtır. Ancak günümüzde doktorlar hızla büyüyen tıbbi görüntü arşivlerini incelemek zorunda kalıyor ve yardımcı olabilecek bilgisayar sistemleri çoğu zaman gördüklerini gerçekten “anlamada” zorlanıyor. Bu çalışma, göğüs ultrasonu için yalnızca tümörleri yüksek doğrulukla bulan ve sınıflandıran değil, aynı zamanda kararlarında hangi görüntü bölümlerinin etkili olduğunu hekimlere gösteren daha akıllı bir görüntü arama motoru sunuyor.

Basit görüntülerden yararlı karşılaştırmalara

Hastaneler artık büyük miktarda göğüs ultrasonu taraması saklıyor; bu da yeni bir hastanın görüntüsüne benzeyen geçmiş vakaları bulmayı zor ve zaman alıcı hale getiriyor. Önceki içerik tabanlı görüntü arama sistemleri parlaklık veya doku gibi temel özelliklerle karşılaştırma yapıyordu ve bu yaklaşım çoğu zaman radyologların hastalığı değerlendirirken kullandığı mantığa uymuyordu. Yazarların amacı, 830 göğüs ultrasonu görüntüsünden oluşan yaygın bir koleksiyon üzerinde derin öğrenme eğitimi vererek bu boşluğu kapatmaktır; görüntüler normal doku, zararsız (benign) kitleler ve tehlikeli (malign) kitleler olarak gruplanmıştır. Hedef iki yönlüdür: yeni bir taramayı bu üç gruptan birine sınıflandırmak ve tanıya rehberlik etmesi için otomatik olarak benzer geçmiş taramaları getirmek.

Desenleri görmeyi öğreten hibrit bir yapay zeka

Çalışma, her biri farklı bir rol üstlenen üç tür sinir ağını birleştiren bir “hibrit” model kurar. Konvolüsyonel bir ağ, kitle şekli veya kenarların ne kadar net olduğu gibi ultrason görüntüsündeki mekansal desenleri okumada uzmanlaşır. Genellikle konuşma gibi diziler için kullanılan tekrarlayan bir ağ, piksellerin satırlarını sıralı bir sinyal olarak işlemeye uyarlanır; bu da sistemin görüntü boyunca ince değişiklikleri fark etmesine yardımcı olur. Bunların üzerine eklenen açıklanabilir yapay zeka bileşeni ise karar için en çok sorumlu olan görüntü bölgelerini vurgulayan ısı haritaları üretir; böylece klinisyenler modelin tümöre mi yoksa alakasız arka plana mı odaklandığını kontrol edebilir.

Veriyi temizleme, genişletme ve düzenleme

Eğitimden önce araştırmacılar ultrason görüntülerini dikkatle hazırlar. Yinelenenleri ve işe yaramayan sınırları kaldırır, taramaları ortak bir gri tonlamalı formata dönüştürür, boş bölgeleri kırpar ve modelin verileri verimli işleyebilmesi için her şeyi standart küçük bir kareye yeniden boyutlandırır. Her görüntü normal, benign veya malign olarak etiketlenir ve maske görüntüleri tam tümör bölgelerini sınırlar. Tıbbi veri setleri genellikle küçük olduğundan, eğitim koleksiyonunu döndürme, çevirme, yakınlaştırma ve kontrast ayarıyla yapay olarak genişleterek 548 görüntüden 3.840 görüntüye çıkarırlar. Bu kontrollü çeşitlenme, ağın gerçek tümörlerin farklı cihazlarda ve farklı hastalarda ortaya çıkma biçimlerindeki çokluğa uyum sağlamasını öğretir.

Sistemin sınıflandırması ve arama yapma biçimi

Eğitildikten sonra, hibrit model her ultrason taramasını ağın sondan bir önceki katmanından alınan kompakt bir sayısal parmak izine dönüştürür. Benzer parmak izlerine sahip görüntüler benzer doku desenleri gösterme eğiliminde olduğundan, ekip veritabanındaki en yakın eşleri bulmak için bu parmak izleri arasındaki basit uzaklıkları hesaplayabilir. Sistem önce yeni taramanın normal mi, benign mi yoksa malign mi olduğunu tahmin eder; ardından görsel ve klinik olarak benzer vakaları getirerek radyologa bir referans görüntü galerisi sunar. Açıklanabilirlik modülü, ağın sonuca ulaşmak için “nereye baktığını” gösteren sıcak renkli bölgeleri orijinal taramanın üzerine bindirir; bu güven oluşturabilir ve eğitim ile ikinci görüşlerde destek sağlayabilir.

Sonuçların hastalar için anlamı

Göğüs ultrasonu veri setinde yapılan testlerde, hibrit yaklaşım yaklaşık %99 sınıflandırma doğruluğuna ulaşır ve tek bir mimariye dayanan önde gelen birkaç derin öğrenme modelini geride bırakarak daha iyi performans gösterir. Ayrıca birden çok eğitim‑test bölünmesi boyunca istikrarlı davranış sergiler; bu da performansının tek bir veri bölünmesinin tesadüfü olmadığını düşündürür. Hastalar için bunun anlamı şudur: gelecekte bir radyolog yalnızca ultrasonun bilgisayar destekli yüksek güvenilir okumasını almakla kalmayacak, aynı zamanda anında benzer geçmiş vakaları ve görüntünün hangi bölümlerinin endişe yarattığını da görebilecektir. Yazarlar daha geniş klinik denemeler ve diğer görüntüleme türleri üzerinde testlerin hâlâ gerektiğini not etmekle birlikte, çalışmaları meme kanseri tespitinde daha şeffaf, güvenilir ve verimli bir yapay zeka kullanımına işaret etmektedir.

Atıf: Fawzy, A.E., Almandouh, M.E., Herajy, M. et al. Ensemble-based high-performance deep learning models for medical image retrieval in breast cancer detection. Sci Rep 16, 8723 (2026). https://doi.org/10.1038/s41598-026-38218-y

Anahtar kelimeler: göğüs ultrasonu, tıbbi görüntü araması, derin öğrenme, meme kanseri tespiti, açıklanabilir yapay zeka