Bir CNN‑kademeli orman çerçevesi kullanılarak yarı denetimli çok sınıflı pnömoni sınıflandırması

Neden daha akıllı pnömoni taramaları önemli?

Pnömoni hâlâ dünyada önde gelen ölüm nedenlerinden biri olmaya devam ediyor; ancak uzman sayısının az olduğu hastaneler de dahil olmak üzere birçok merkez hâlen yoğun hekimlerin göğüs röntgeni veya BT taramalarını görsel olarak incelemesine dayanıyor. Bu durum yalnızca pnömoniyi tespit etmeyi zorlaştırmakla kalmıyor, aynı zamanda hangi tür pnömoni olduğunu —bakteriyel, viral, fungal veya daha genel bir enflamatuvar tablo— ayırt etmeyi de güçleştiriyor. Bu makale, yardımcı olmak üzere tasarlanmış yeni bir yapay zeka (YZ) sistemini anlatıyor. Sistem hem röntgen hem de BT görüntülerini kullanıyor, uzmanlar tarafından hiç etiketlenmemiş taramalardan bile öğrenebiliyor ve birkaç pnömoni alt türünü çarpıcı bir doğrulukla ayırt edebiliyor.

Basit evet/hayırdan daha zengin yanıtlar

Mevcut akciğer enfeksiyonu için geliştirilen YZ araçlarının çoğu temel bir duman detektörü gibi çalışıyor: “pnömoni” veya “pnömoni değil” diyor ve orada duruyor. Oysa klinisyenlerin daha ince bir değerlendirmeye ihtiyacı var. Farklı pnömoni nedenleri farklı ilaçlara yanıt verir, farklı riskler taşır ve görüntülemede çoğunlukla ince farklılıklarla kendini gösterir. Yazarlar, otomatik araçların deneyimli bir radyoloğun sunduğuna daha yakın rehberlik sağlaması için beş kategoriyi ayırabilecek—bakteriyel, viral, fungal, genel pnömoni ve normal akciğer— bir sistem geliştirmeyi hedeflediler; basit bir alarmından öte bilgi verecek bir araç amaçladılar.

Daha eksiksiz bir görüntü için iki tarama türünü eşleştirmek

Yöntemlerini eğitmek ve test etmek için araştırmacılar kamu koleksiyonlarından alınmış 4.578 göğüs görüntüsünden oluşan bir veri seti topladılar: her hasta aynı klinik dönemde alınmış bir röntgen ve bir BT taraması ile temsil edildi. Röntgenler hızlı ve ucuz ama nispeten bulanık; BT taramaları daha yavaş ve daha pahalı ama ince yapısal ayrıntıyı gösteriyor. İki modaliteyi hasta düzeyinde dikkatle eşleştirerek ve tutarsız veya sorgulanabilir vakaları çıkararak ekip, günlük klinik pratiği yansıtan gerçekçi, dengesiz bir veri kümesi oluşturdu: örneğin fungal enfeksiyon gibi bazı pnömoni türleri diğerlerinden çok daha nadirdir.

Hibrit YZ'nin etiketli ve etiketsiz taramalardan nasıl öğrendiği

Önerilen sistem, CNN‑Geliştirilmiş Kademeli Orman (CE‑Cascade) adlı bir yaklaşımı birleştiriyor ve iki tür makine öğrenimini kullanıyor. Önce, ResNet olarak bilinen derin bir konvolüsyonel ağ her görüntüyü işler ve pnömoni ile ilişkili dokular, şekiller ve desenleri yakalayan yüksek boyutlu bir parmak izi hâline getirir. Teşhisi doğrudan tahmin etmek yerine, bu parmak izleri bir “kademeli orman”a —sinyali tekrarlayan katmanlarda rafine eden, görüntüdeki yerel yamalara odaklanan ve her aşamada daha karmaşık desenler inşa eden çoklu karar ağacı topluluklarına— aktarılır. Kritik olarak, yazarlar bu hibrit modeli bir yarı denetimli çerçeveye yerleştirir: ilk versiyon uzman etiketli taramalarla eğitildikten sonra, yalnızca çok emin olduğunda etiketsiz görüntülere “sözde‑etiketler” atamasına izin verilir. Bu yüksek güvenli vakalar daha sonra eğitime geri katılır, böylece ek insan emeği olmadan etkili veri seti genişletilir.

Sistemin uygulamada başardıkları

Bu yaklaşımla CE‑Cascade modeli beş kategori genelinde %98,86 gibi yüksek bir sınıflandırma doğruluğuna ulaştı ve hem röntgen hem de BT verilerinde benzer şekilde yüksek puanlar elde etti. Sadece daha basit sinir ağlarını geride bırakmakla kalmadı, aynı zamanda dikkat mekanizmalarına sahip derin konvolüsyonel modeller ve dönüştürücü (transformer) tabanlı sistemler gibi daha ileri rakipleri de yendi. Sözde‑etiketli taramaların eklenmesi, tahminlerin kalitesini tutarlı şekilde artırdı, çeşitli değerlendirme skorlarını yükseltti ve uzman etiketlemenin sınırlı olduğu durumlarda modeli daha sağlam hale getirdi. Yöntem ayrıca bir modalitede eğitilip diğerinde test edildiğinde de iyi genelleşti; bu da modelin belirli bir tarayıcı türünün tuhaflıkları yerine hastalıkla ilişkili desenleri öğrendiğine işaret ediyor.

Laboratuvar kıyasından başında yardımcıya

Uzman olmayanlar için temel çıkarım, bu çalışmanın YZ destekli göğüs görüntülemeyi klinisyenlerin gerçekten kullanabileceği bir düzeye yaklaştırmasıdır. Yalnızca “pnömoni: evet veya hayır” diyen bir kara kutu aracın yerine CE‑Cascade çerçevesi ayrıntılı, çok sınıflı çıktı sunuyor ve rutin kullanıma yetecek kadar verimli çalışıyor. Hem etiketli hem de etiketsiz taramalardan öğrenerek ve röntgen ile BT görüntülerinin tamamlayıcı bakış açılarından güç alarak gelecekteki sistemler için yüksek bir standart belirliyor. Klinik yazılıma dönüştürülüp kararlarını hangi görüntü bölgelerinin etkilediğine dair açık açıklamalarla eşleştirildiğinde, böyle bir model doktorların hastaları daha hızlı triyaj etmesine, daha uygun tedaviler seçmesine ve şu anda uzman yorumu olmayan hastanelere uzman düzeyinde görüntü yorumunu genişletmesine yardımcı olabilir.

Atıf: Muthukumaraswamy, P., Yuvaraj, T. & Krishnamoorthy, R. Semi-supervised multi-class pneumonia classification using a CNN-cascade forest framework. Sci Rep 16, 7448 (2026). https://doi.org/10.1038/s41598-026-38849-1

Anahtar kelimeler: pnömoni görüntüleme, tıbbi yapay zeka, göğüs röntgeni, BT taraması, yarı denetimli öğrenme