Sirükografi görüntülerinden yapay zekâ destekli servikal displazi tanısı

Kadın sağlığı için neden önemli

Rahim ağzı kanseri en önlenebilir kanserlerden biridir, ancak düşük kaynaklı bölgelerde hâlâ birçok kadının gelişmiş tarama araçlarına erişimi yoktur. Bu çalışma, sirükografi adı verilen, sirke benzeri bir çözelti uygulandıktan sonra çekilen basit serviks fotoğraflarını erken prekansere ait değişiklikleri tespit etmede güçlü bir yardımcıya dönüştürebilecek şekilde yapay zekânın nasıl kullanılabileceğini araştırıyor. Amaç, pahalı ekipman veya uzman bulunmayan kliniklere daha doğru tanı getirmek, hastalığı daha erken yakalamak ve potansiyel olarak yaşam kurtarmaktır.

Basit fotoğraflardan daha akıllı taramaya

Birçok yüksek gelirli hastanede doktorlar, serviksi yakından incelemek ve şüpheli alanlardan biyopsi alınıp alınmayacağına karar vermek için kolposkop adı verilen büyüteç benzeri bir cihaz kullanır. Daha yoksul veya kırsal ortamlarda bu araç çoğunlukla bulunmadığı için hemşireler Seyreltik Asetik Asit ile Görsel İnceleme (VIA) yöntemine güvenir: seyreltik asetik asit uygular, beyaz lekeler arar ve bazen bir fotoğraf (servikografi) çekerler. VIA bir şeylerin yanlış olabileceğini işaretlemede iyidir, ancak anormalliğin ciddiyetini değerlendirmede çok daha az güvenilirdir. Kritik klinik karar, lezyonun hafif olup izlenebileceği mi yoksa ciddi olup acil müdahale gerektirdiği mi yönündedir. Araştırmacılar, bir bilgisayara bu ayrımı doğrudan servikografi görüntülerinden öğretmeyi amaçladı.

Bilgisayarlara ince görsel ipuçları öğretmek

Ekip, nesneleri hızlıca bulma ve mütevazı donanımda çalışabilme yeteneği nedeniyle seçilen modern bir görüntü analizi modeli olan YOLOv11 etrafında iki aşamalı bir sistem kurdu. Önce sistem, VIA görüntüsünde tıbbi kurallara dayanarak beyaz alanların nasıl görünmesi gerektiği ve serviks üzerinde nerede yer alması gerektiği gibi kriterlerle gerçekten şüpheli bir lezyon olup olmadığını kontrol eder. Bir lezyon varsa ikinci aşama, kolposkopi uzmanlarının güvendiği dört görsel özelliği inceler: asit uygulandıktan sonra bölgenin ne kadar beyazlaştığı, yüzeyinin ne kadar düzgün veya pürüzlü göründüğü, dönüşüm bölgesinin ne kadarını kapladığı ve dört servikal kadrandan kaçının etkilenmiş olduğu. Her özellik ya yapay zekâ modeli ya da basit geometrik kurallarla analiz edilir; birlikte bunlar yalnızca renkten daha zengin bir hastalık şiddeti resmi sunar.

Az hastadan çok veri üretmek

Büyük engel, özellikle erken hafif hastalığa ait biyopsi ile doğrulanmış yüksek kaliteli görüntülerin nadir olmasıydı. Bunu aşmak için araştırmacılar, az temsil edilen desenleri taklit eden gerçekçi sentetik serviks görüntüleri oluşturmak amacıyla adaptif arttırmalı StyleGAN-2 türü bir üretici yapay zekâ kullandı. Bu yapay görüntüler yalnızca eğitim ve doğrulama için kullanıldı, son testlerde asla kullanılmadı. Gerçek veriler, kolposkopi görüntüleri ve Swede Score etiketlerine sahip büyük uluslararası veri kümeleri, histopatoloji ile doğrulanmış daha küçük ama çok güvenilir bir set ve Endonezya hastaneleri ile mobil telefon tabanlı tarama programlarından gelen dış koleksiyonlar dahil olmak üzere birkaç kaynaktan geldi. Bu karışım modelin hem uzman derecelendirmesinden hem de altın standart doku tanılarından öğrenmesine olanak sağladı.

Çoklu görüşleri tek karara harmanlamak

Her görüntüden dört ana özellik çıkarıldıktan sonra sistem, her vakayı hafif veya şiddetli displazi olarak etiketlemek için bir ensemble yaklaşımı—temelde farklı özelliklere özel sınıflayıcılar arasında yapılandırılmış bir “oylama”—kullandı. Gelişmiş artırma olmadan yapılan erken denemeler yalnızca yaklaşık %62 doğruluk elde etti; bu, veriler az ve dengesiz olduğunda görevin ne kadar zor olduğunu gösterdi. GAN tarafından üretilen eğitim görüntülerinin eklenmesi ve ensemble’un dikkatli şekilde ayarlanmasından sonra en iyi konfigürasyon, bağımsız biyopsi ile doğrulanmış bir test setinde yaklaşık %95 genel doğruluğa ulaştı. Şiddetli vakaların %95’inden fazlasını ve hafif vakaların %80’inden fazlasını doğru tespit etti ve genel yanlış sınıflandırma oranını %8’in altında tuttu. Model ayrıca ayrı bir hastane veri setinde tutarlı performans gösterdi; bu, ekipman ve yerel uygulamalardaki değişikliklerle başa çıkabileceğini düşündürse de, parlak aydınlatmalı mobil telefon görüntüleriyle karşılaştığında performansın düştüğü görüldü.

Günlük bakım için anlamı

Zaten VIA taraması yapan uzman olmayan klinikler için bu çalışma, sıradan servikografi görüntülerinin çok daha bilgilendirici bir araca dönüştürülebileceğini gösteriyor. Lezyonları vurgulayan, ne kadar yayıldıklarını tahmin eden ve hafif mi yoksa şiddetli mi göründüklerini belirten bir yapay zekâ sistemi, ön saflardaki sağlayıcıların kimlerin acil sevk gerektirdiğine ve kimlerin güvenle izlenebileceğine karar vermesine yardımcı olabilir. Yazarlar modelin hâlâ sınırlamaları olduğunu; kısmen sentetik verilere dayandığını, büyük ölçüde kolposkopi görüntüleri üzerinde eğitildiğini ve gerçek dünya telefon görüntülerine kıyasla daha sınırlı biyopsi-dogrulanmış setlerde test edildiğini not ediyorlar. Böyle bir sistemin kendi başına tedavi yönlendirmesi yapmadan önce daha büyük ve daha çeşitli çalışmalara ihtiyaç var. Yine de sonuçlar, uygun maliyetli görüntülemeyi dikkatle tasarlanmış yapay zekâ ile birleştirmenin, tam da en çok ihtiyaç duyulan yerlerde rahim ağzı kanseri önlemesini güçlendirebileceğini gösteriyor.

Atıf: Nurmaini, S., Rachmatullah, M.N., Agustiansyah, P. et al. AI-assisted diagnosis of cervical dysplasia from cervicography images. Sci Rep 16, 9920 (2026). https://doi.org/10.1038/s41598-026-39192-1

Anahtar kelimeler: rahim ağzı kanseri taraması, servikografi, tıbbi yapay zekâ, derin öğrenme, displazi derecelendirmesi