Göz ultrasonu görüntülerinde vitreus kanaması eşliğinde retina dekolmanının derin öğrenme tabanlı tespiti

Neden görmeyi kurtarmada önemli

Retina dekolmanı, görmeyi saatler veya günler içinde çalabilecek acil bir göz durumudur. Göz içindeki kan retinayı görmeyi engellediğinde doktorlar sıklıkla ultrason taramalarına güvenir. Ancak bu grenli, yankı dolu görüntüler yorumlanması zor olabilir; özellikle yoğun acil servislerde veya daha az deneyimli klinisyenler için. Bu çalışma, modern bir yapay zekâ yönteminin ultrason görüntülerinde tehlikeli retina dekolmanlarını ve ilişkili kanamaları hızlı ve güvenilir şekilde tespit edip edemeyeceğini araştırıyor; böylece doktorların hastaların görmesini korumasına yardımcı olabilir.

Göz içindeki bulanıklığın ötesini görmek

Bu çalışmanın merkezinde iki görmeyi tehdit eden sorun var: ışığı algılayan dokunun gözün arkasından ayrıldığı retina dekolmanı ve gözün jeli içine kan sızıntısı olduğu vitreus kanaması. Göz şeffaf olduğunda doktorlar doğrudan retinaya bakarak sorun arar. Ancak yoğun kan görüşü bulutladığında ultrasona başvururlar; ultrason göz içindeki yapılardan yansıyan parlak çizgiler ve benekli desenler gösterir. Ne yazık ki, yüzeyde yüzen kanın oluşturduğu yankılar, ince yaprak benzeri retina çizgilerine şaşırtıcı derecede benzeyebildiğinden; özellikle hızlı müdahalenin önem kazandığı anda belirsizlik ortaya çıkar.

Bilgisayara göz taramalarını okumayı öğretmek

Araştırmacılar, YOLOv5 olarak bilinen gerçek zamanlı bir nesne tespit yöntemine dayanan bir derin öğrenme sistemi eğiterek ultrason görüntülerinde üç olasılığı ayırt etmesini sağladı: yalnızca retina dekolmanı, yalnızca vitreus kanaması veya her ikisi birlikte. Bu sorunlardan şüphelenilen hastalardan yıllar içinde alınan 3.773 tarama görüntüsü topladılar. Deneyimli göz uzmanları her görüntüyü etiketleyip hastalığın görüldüğü bölgelerin etrafına kutular çizerek bilgisayara neye bakması gerektiğine dair örnekler sundu. Görüntüler daha sonra sistemin performansının daha önce görmediği resimler üzerinde adil biçimde değerlendirilebilmesi için eğitim, ayarlama ve son test setlerine ayrıldı.

Makine için bulanık resimleri keskinleştirmek

Ultrason görüntüleri doğal olarak bulanık ve beneklidir; bu yüzden ekip, önemli yapıların öne çıkması için bunları yapay zekâya vermeden önce çeşitli yöntemler denedi. Unsharp masking adlı bir yöntem, kenarlar çevresindeki kontrastı hafifçe arttırarak, ipliksi retina dekolmanlarını daha parlak ve belirgin gösterirken bariz artefaktlar eklemiyor. Ayrıca eşiğe dayalı işlem ve ikileştirme—görüntüleri parlaklığa göre siyah ve beyaz bloklara dönüştürme—gibi yöntemlerle dağınık kan yankılarının yarattığı sisi azaltmayı ve dekolmanı işaret eden süreklilik gösteren çizgileri korumayı denediler. Geliştirme sürecinin ana aşamasında bu iyileştirmeleri tekrar eden eğitim döngüleri ve çapraz doğrulama ile birleştirdiler; bu strateji aşırı uyumu önlemeye ve yeni veri üzerinde güvenilirliği artırmaya yardımcı olur.

Sistemin performansı nasıldı

Birkaç ayarlama turunun ardından, nihai model daha önce görülmemiş 543 görüntü üzerinde test edildiğinde yüksek doğruluk gösterdi. Retinayı dekolmanını vakaların %96,6'sında, vitreus kanamasını %99,2'de ve özellikle zor olan her ikisinin birleşimini %98,0'de doğru tanıdı; bu da genel doğruluğun yaklaşık %98 civarında olmasını sağladı. Araştırmacılar farklı YOLO sürümlerini de karşılaştırdı ve daha yeni modeller genel görüntü kıstaslarında iyi performans gösterse de, YOLOv5'in bu özel tıbbi görev ve veri seti için daha uygun olduğunu buldular. Ek deneyler bazı ön işleme adımlarının tek başına ortalama doğruluğu her zaman yükseltmediğini gösterse de, bu adımların ana yapıların netliğini artırdığı ve görsel olarak en kafa karıştırıcı taramalarda özellikle faydalı göründüğü ortaya çıktı.

Hastalar ve doktorlar için anlamı ne olabilir

Aniden görme kaybı yaşayan hastaların acil servislere gelişi durumunda her dakika önemlidir. Bu çalışma, dikkatle eğitilmiş bir yapay zekâ sisteminin ultrason görüntülerinde retina dekolmanlarını ve ciddi kanamaları uzman düzeyinde doğrulukla işaret eden hızlı bir “ikinci göz” görevi görebileceğini öne sürüyor. Bu araç oftalmologların veya kapsamlı klinik muayenenin yerini almak için değil; özellikle görüntülerin yorumlanmasının zor olduğu durumlarda veya uzmanların hemen bulunmadığı anlarda onları desteklemek için tasarlandı. Böyle sistemler rutin hale gelmeden önce birden çok hastane, cihaz ve klinik iş akışı üzerinde test edilmesi gerekecek. Yine de sonuçlar, retina riske girdiğinde akıllı yazılımların doktorların görmeyi daha hızlı ve tutarlı biçimde kurtarmasına yardımcı olabileceği bir geleceğe işaret ediyor.

Atıf: Toyama, N., Hidaka, T., Tamura, H. et al. Deep learning-based detection of retinal detachment with vitreous hemorrhage in ocular ultrasound images. Sci Rep 16, 8398 (2026). https://doi.org/10.1038/s41598-026-38272-6

Anahtar kelimeler: retina dekolmanı, vitreus kanaması, göz ultrasonu, derin öğrenme, tıbbi görüntüleme yapay zekâsı