Hızlı ve doğru kemik kanseri tanısı için Hibrit EfficientNet B4 ve SVM çerçevesi

Neden daha hızlı kemik kanseri kontrolleri önemli

Kemik kanseri nadir fakat yıkıcıdır ve erken dönemde röntgenlerde tespit edilmesi, deneyimli doktorlar için bile şaşırtıcı derecede zor olabilir. İnce tümörler zararsız değişikliklere benzeyebilir ve radyologlar genellikle zaman baskısı altında yüzlerce görüntüyü dikkatle incelemek zorundadır. Bu makale, doktorların kemik röntgenlerini daha hızlı ve daha doğru okumasına yardımcı olmayı amaçlayan OsteoCancerNet adlı yeni bir bilgisayar destekli asistanı tanıtır; sistem tehlikeli tümörleri yakalarken yanlış alarmları düşük tutmayı hedefler.

Gözle bakmanın sorunları

Doktorlar şu anda kemik tümörlerini bulmak ve tedaviyi planlamak için röntgen, BT ve MRG gibi görüntüleme araçlarına dayanıyor. Ancak bu görüntüler hâlâ insanlar tarafından yorumlanıyor; bu da gecikmelere ve özellikle lezyonlar küçük olduğunda veya normal kemiğe benzediğinde kaçırma ya da yanlış bulgular riskine yol açıyor. Daha önceki araştırmalar yapay zekânın tıbbi görüntüleri analiz etmeye yardımcı olabileceğini gösterdi; yine de birçok kemik kanseri sistemi küçük görüntü koleksiyonlarıyla çalıştı, uzun süre çalıştı veya test edilmesi ve güvenilirliğinin doğrulanması güç “kara kutu” davranışı sergiledi. Bazı modeller desenleri iyi tanırken, günlük hastane kullanımı için çok büyük ve yavaştı; diğerleri ise yalnızca dar, titizlikle seçilmiş veri kümelerinde işe yarıyordu.

İki yapay zekâ yaklaşımının akıllı karışımı

OsteoCancerNet, iki tamamlayıcı yapay zekâ aracını birleştirerek her iki dünyanın da iyiliklerini yakalamayı amaçlar. Önce modern bir derin öğrenme ağı olan EfficientNet-B4 kullanılarak her bir kemik röntgeni taranır ve kanseri işaret edebilecek şekil, doku ve kontrasttaki ince değişiklikler gibi zengin görsel özellikler otomatik olarak öğrenilir. Ham özelliklerden doğrudan karar vermek yerine sistem, bu özellikleri nihai karar verici olarak hareket eden daha klasik bir makine öğrenmesi yöntemi olan destek vektör makinesine (SVM) iletir; SVM “normal” ile “kanserli” görüntüleri ayırır. Bu hibrit tasarım, karmaşık görüntü ayrıntılarını yakalarken son sınıflandırma adımını nispeten basit, kararlı ve değerlendirmesi daha kolay tutmayı amaçlar.

Röntgen verilerini temizleme ve çoğaltma

Sistemi oluşturmak ve test etmek için araştırmacılar, sağlıklı ve kanser vakaları arasında eşit olarak bölünmüş 8.811 kemik röntgeninden oluşan büyük bir açık veri koleksiyonunu kullandı. Önce bu görüntüler yapay zekânın tutarlı girdiler görmesi için temizlendi ve standart hale getirildi. Her röntgen ağın beklediği formata yeniden boyutlandırıldı, ağın gerektirdiği renk kanallarına dönüştürüldü ve ardından birkaç kontrast artırma yöntemiyle keskinleştirildi. Yerel bölgelerde ayrıntıları yok etmeden kontrastı seçici olarak artıran CLAHE adlı teknik, yapay zekâ için en net görüntüleri sağladı. Tıbbi veri kümeleri sıklıkla küçük olduğundan ekip, eğitim görüntülerini ters çevirme ve döndürme ile “çoğaltarak” eğitim setini neredeyse 30.000 görüntüye çıkardı. Bu, sistemi farklı görüntüleme açılarına karşı daha dayanıklı hale getirir ve belirli bir veri kümesine fazla uyum sağlama riskini azaltır.

Sistemin kemik kanserini ne kadar iyi tespit ettiği

Eğitim sonrası OsteoCancerNet birkaç açıdan değerlendirildi. Daha önce hiç görmediği ayrılmış bir test setindeki röntgenlerde model yaklaşık 100 görüntüden 97’sini doğru sınıflandırdı ve kanserleri yakalama ile yanlış alarmlardan kaçınma arasında güçlü bir denge sergiledi. Çapraz doğrulama sırasında genel doğruluğu yaklaşık %98 idi; gerçek kanser vakalarını tespit etme yeteneği çok yüksekti ve normal görüntülerde yaklaşık on binde dört seviyesinde çok düşük bir yanlış pozitif oranı gösterdi. Kritik olarak, sistem hızlıdır: eğitildikten sonra tek bir röntgeni analiz etmek sadece yaklaşık 41 milisaniye alır; bu, yoğun bir klinikte gerçek zamanlı kullanım için yeterince hızlıdır. Araştırmacılar ayrıca OsteoCancerNet’i bilinen derin ağlar ve hibrit sistemler dahil olmak üzere geniş bir popüler yapay zekâ modeli yelpazesiyle karşılaştırdı ve yaklaşımlarının daha az yanlış uyarı ve daha ölçülü hesaplama gereksinimleriyle tutarlı şekilde daha yüksek doğruluk sağladığını buldu.

Bu hastalar ve doktorlar için ne anlama geliyor

Çalışma, özenle tasarlanmış yapay zekânın kemik röntgeni okumasında güvenilir ikinci bir bakış olabileceğini gösteriyor. Görüntüleri keskinleştirerek, ince kemik değişikliklerini yakalamak için verimli bir derin ağı kullanarak ve nihai kararı sadeleştirilmiş bir sınıflandırıcıya devrederek OsteoCancerNet kemik kanserini etkileyici bir tutarlılık ve hızla tespit ediyor. Hastalar için bu, daha erken teşhis, daha az kaçırılan tümör ve taramalar normal olduğunda daha hızlı rahatlama anlamına gelebilir. Klinikler için sistem, iş yükünü artırmak yerine azaltan pratik bir araç sunar. Gerçek dünya hastane ortamlarında ve daha fazla görüntüleme türünde daha ileri testlere hâlâ ihtiyaç olsa da bu çalışma, AI destekli kemik kanseri tanısının ortopedi ve onkoloji bakımının rutin ve güvenilir bir parçası haline gelme yolunda olduğunu gösteriyor.

Atıf: Hassan, N.M.H., Bayoumy, A.S. & Mahmoud, M.H.M. Hybrid EfficientNet B4 and SVM framework for rapid and accurate bone cancer diagnosis from X-rays. Sci Rep 16, 8156 (2026). https://doi.org/10.1038/s41598-026-38801-3

Anahtar kelimeler: kemik kanseri, tıbbi görüntüleme AI, röntgen analizi, derin öğrenme, bilgisayar destekli tanı