DermaGPT: yorumlanabilir dermatoloji tanıları için meta öğrenmeli bir güven fonksiyonu içeren federated multimodal çerçeve

Neden daha akıllı cilt kontrolleri önemli?

Cilt sorunları milyarlarca insanı etkiler, ancak birçok toplulukta çok az veya hiç dermatolog yoktur. Bu durum, özellikle teknoloji altyapısı sınırlı küçük kliniklerde şüpheli ben veya döküntülerin yanlış değerlendirilmesine ya da geç tedavi edilmesine yol açabilir. Bu çalışma, doktorların fotoğraflardan yaygın cilt kanserlerini ve diğer lezyonları tespit etmelerine yardımcı olmayı, aynı zamanda nedenlerini sade bir dille açıklamayı ve hasta gizliliğini korumayı amaçlayan DermaGPT adlı yapay zeka sistemini sunar.

Yeni nesil dijital cilt asistanı

DermaGPT iki parçalı bir asistan olarak tasarlanmıştır. Birincisi, sıradan akıllı telefon kameraları veya dermatoskoplarla çekilmiş yakın plan cilt fotoğraflarına bakan bir görsel modüldür; bu modül 11 yaygın lezyon tipinden hangisini gördüğünü ve lezyonun muhtemelen iyi huylu mu yoksa kötü huylu mu olduğunu tahmin eder. İkincisi, ayrı bir dil modülü bu tahminleri hasta dostu açıklamalara çevirir ve durumun ne olduğu, ne kadar ciddi olabileceği ve genellikle hangi tedavilerin düşünüldüğü gibi soruları yanıtlar. "Görme" ile "açıklama"yı ayırarak tasarımcılar, tanısal çekirdeği istikrarlı tutmayı ve açıklama tarafını zaman içinde geliştirmeye veya değiştirmeye olanak sağlamayı hedefler.

Gerçek dünya klinikleri için tasarlandı

Büyük, pahalı sunucularda çalışan ve sıkça haber olan birçok tıbbi yapay zeka sisteminin aksine, DermaGPT kasıtlı olarak hafiftir. Google görsel-dil modelinden uyarlanan görsel omurgası, yalnızca yaklaşık yüzde bir oranında parametre değiştirecek şekilde ince ayar yapılmıştır. Bu sayede hastanelerde yaygın olarak bulunan mütevazı grafik kartlarında çalışacak kadar hızlı ve ekonomik olur. Yazarlar sistemi dört özel klinikten biyopsi ile doğrulanmış görüntüler üzerinde eğitti ve sonra Stanford kaynaklı 4.452 görüntü içeren bağımsız bir genel veri seti üzerinde test etti. Bu dış testte DermaGPT lezyon tipini yaklaşık %90 doğrulukla, iyi huylu ile kötü huyluyu ise yaklaşık %93 doğrulukla ayırt etti.

Veriyi yerel tutmak ve her siteye güvenmeyi öğrenmek

Tıbbi görüntüler hassas olduğundan DermaGPT federated learning kullanılarak eğitilir: her hastane görüntülerini yerinde tutar ve yalnızca ham resimleri değil model güncellemelerini paylaşır. Ancak hastaneler hasta karışımı, kamera kalitesi ve cilt tonları bakımından farklılık gösterir; bu da paylaşılan bir modeli daha az güvenilir kılabilir. Bunu ele almak için yazarlar, belirsizlik, kalibrasyon ve veri kayması belirtileri gibi ölçütlere dayanarak her kliniğin güncellemelerinin ne kadar güvenilir olduğunu tahmin eden meta öğrenmeli bir güven fonksiyonu eklediler. Eğitim sırasında daha iyi kalibre edilmiş, daha tutarlı sitelerden gelen güncellemeler daha yüksek ağırlık alırken, daha gürültülü olanların ağırlığı azaltıldı. Bu "güven-bilinçli" düzenleme, özellikle daha çeşitli cilt tiplerine sahip en zorlu sitede olmak üzere hem doğruluğu hem de modelin güven skorlarının güvenilirliğini artırdı.

Tanıları günlük dilde açıklamak

Açıklamalar için DermaGPT tahminlerini birkaç büyük dil modeline besler ve bunların performansını karşılaştırır. Ayrıca özenle seçilmiş çevrimiçi dermatoloji kaynaklarından kısa pasajlar çeken ve bunları dil modeline bağlam olarak veren "gelişmiş geri getirme" modülünü kullanır. Ortaya çıkan yanıtları dört board sertifikalı dermatolog, açıklığın, kullanışlılığın, gerçekçi dayanakların ve böyle bir aracı kullanma olasılıklarının değerlendirmesi açısından puanladı. Tüm modellerde, bu geri getirme adımının eklenmesi açıklamaları daha bilgilendirici ve dayanaksız iddialara daha az eğilimli hale getirdi. DeepSeek-V3 adlı bir model öne çıktı; nispeten verimli bir mimari kullanarak, her yanıt için yalnızca bir alt küme nöronunu etkinleştirirken en yüksek puanlı açıklamaları üretti.

Yararlar, uyarılar ve sonraki adımlar

Genel olarak DermaGPT, hızlı, doğru, gizliliğe duyarlı ve kendini insan dilinde açıklayabilen bir cilt tanı asistanı inşa etmenin mümkün olduğunu gösteriyor. Dermatologların yerini almaz; bunun yerine uzman olmayanların vaka triajinde yardımcı olması, danışmanlığı desteklemesi ve uzman bulunmayan kliniklere uzman benzeri rehberliği genişletmesi amaçlanmıştır. Yazarlar bazı risklerin—örneğin yanlış bir altta yatan tanıya dayanan kendinden emin açıklamalar—sürmeye devam ettiğini ve daha fazla gerçek dünya denemesine ihtiyaç olduğunu vurguluyorlar. Koşulların kapsamını genişletmeyi, nadir hastalıkları ve koyu ten tonlarını daha iyi kapsayacak biçimde geliştirmeyi ve çok dilli ile kendi kendini izleme özellikleri eklemeyi planlıyorlar. Bu zorluklar aşılırsa DermaGPT benzeri sistemler yüksek kaliteli cilt bakımını çok farklı sağlık ortamlarında daha erişilebilir ve daha tutarlı hale getirmeye yardımcı olabilir.

Atıf: Hashjin, N.M., Amiri, M.H. & Najafabadi, M.K. DermaGPT a federated multimodal framework with a meta learned trust function for interpretable dermatology diagnostics. Sci Rep 16, 7959 (2026). https://doi.org/10.1038/s41598-026-38715-0

Anahtar kelimeler: dermatoloji yapay zeka, cilt kanseri tespiti, federated learning, tıbbi açıklanabilir yapay zeka, klinik karar destek