NASNetLarge kullanılarak serviks kanserinin ileri düzey analizi ve tespiti

Bu durumun kadın sağlığı için önemi

Serviks kanseri dünya genelinde kadınlarda görülen kanser ölümlerinin önde gelen nedenlerinden biridir, ancak erken yakalandığında tedavisi büyük ölçüde mümkündür. Geleneksel tarama, Pap smear lamlerinin uzmanlar tarafından görsel olarak incelenmesine dayanır; bu zahmetli süreç ince uyarı işaretlerini gözden kaçırabilir. Bu çalışma, modern bir yapay zeka yaklaşımının Pap smear görüntülerini bilgisayarın okuyabileceği yapılandırılmış desenlere nasıl dönüştürebileceğini araştırıyor; amaç insan gözüne kıyasla riskli hücresel değişiklikleri daha tutarlı ve hızlı tespit etmek.

Pap smear görüntülerine yeni bir bakış

Araştırmacılar, beş hücre türüne (normalden belirgin anormale kadar) eşit olarak bölünmüş 300 örnekten oluşan açık bir veri kümesindeki Pap smear görüntülerine odaklanıyor. Bu görüntüleri doğrudan standart bir görüntü tanıma sistemine vermek yerine her lamı önce küçük bölgeler ve bunların ilişkilerinin bir haritasına dönüştürüyorlar. Bu haritada her hücre benzeri bölge bir nokta oluyor ve bölgeler arasındaki mekansal bağlantılar bağlantı çizgileri haline geliyor. Bu grafik tarzı görüntü yalnızca hücrelerin nasıl göründüğünü değil, aynı zamanda nasıl düzenlendiklerini de yakalıyor; oysa düzen sıklıkla hastalığa dair önemli ipuçları taşır.

Akıllı model desenlerden nasıl öğreniyor

Bu grafik tabanlı görüntüleri okumak için ekip, başlangıçta milyonlarca günlük fotoğraf üzerinde eğitilmiş güçlü bir derin öğrenme modeli olan NASNetLarge’ı kullanıyor. Transfer öğrenimi adı verilen bir teknikle modelin karmaşık görsel desenleri tanıma yeteneğini koruyorlar, ancak son katmanlarını beş servikal hücre kategorisini ayırt edecek şekilde yeniden eğitiyorlar. Ayrıca her görüntünün çeşitli versiyonlarını çevirme, döndürme, yakınlaştırma ve kaydırma gibi işlemlerle oluşturarak küçük veri kümesini genişletiyorlar. Bu süreç, modelin eğitim verilerini ezberlemek yerine genel kuralları öğrenme olasılığını artırmak için birçok inandırıcı örnek görmesine yardımcı oluyor.

Bilgisayarın nereye dikkat ettiğini görmek

Ham doğruluk değerlerinin ötesinde çalışma, modelin görüntünün doğru bölgelerine bakıp bakmadığını da sorguluyor. Yazarlar, her karar için en sorumlu bölgeleri vurgulayan ve grafik görüntülerin üzerine ısı haritası benzeri renkler bindiren bir görselleştirme yöntemi kullanıyor. Bu görünümler modelin patologlar tarafından önemli kabul edilen kümelere ve sınır bölgelere odaklandığını gösteriyor. Bu, modelin davranışını klinisyenler için daha yorumlanabilir ve güvenilir kılıyor ve grafik tabanlı temsilin rastgele gürültüden ziyade anlamlı yapıyı başarıyla yakaladığını ima ediyor.

Sistemin performansı nasıl

Grafiğe dönüştürülmüş Pap smear görüntüleri üzerinde eğitilen NASNetLarge, eğitim verisinde yaklaşık %94 doğruluk ve ayrılmış doğrulama verisinde %98,33 doğruluk elde ediyor; beş hücre tipi genelinde hassasiyet, geri çağırma ve F1 skorlarında yüksek değerler görüldü. Bir ablation çalışması grafik dönüşümü adımını atlamanın doğruluğu yaklaşık %83’e düşürdüğünü göstererek hücre ilişkilerinin kodlanmasının değerini vurguluyor. Model ayrıca ayrı bir kolposkopi görüntü koleksiyonunda da test edilip yine çok yüksek doğruluk elde ediyor; bu da yaklaşımdaki genelleştirilebilirliğe işaret ederken, mütevazı donanımlarda çalıştırılabilirliğinin de korunabildiğini gösteriyor.

Gelecekteki tarama için olası etkileri

Basitçe ifade etmek gerekirse, çalışma Pap smear görüntülerini yapılandırılmış haritalara dönüştürmenin ve bunları özel bir derin öğrenme modeliyle analiz etmenin servikal hücreleri yüksek doğruluk ve düşük hata oranıyla sınıflandırabileceğini gösteriyor. Çalışmanın günlük klinik kullanım öncesinde daha büyük ve daha çeşitli veri kümelerine hala ihtiyaç duymasıyla birlikte, şüpheli lamleri işaretleyerek klinisyenlere yardımcı olabilecek, kaliteyi standartlaştırabilecek ve uzman eksikliğinin olduğu bölgelere uzman düzeyinde tarama genişletebilecek araçlara işaret ediyor. Hastalar için bu, nihayetinde serviks kanserinin daha erken tespiti ve daha zamanında tedavisinin sağlanması anlamına gelebilir.

Atıf: Bilgaiyan, S., Swain, A., Das, S. et al. Advanced analysis and detection of cervical cancer using NASNetLarge. Sci Rep 16, 14875 (2026). https://doi.org/10.1038/s41598-026-38341-w

Anahtar kelimeler: serviks kanseri, Pap smear, derin öğrenme, tıbbi görüntüleme, Yapay zeka taraması