CBAM ile geliştirilmiş VGG19 derin öğrenme yoluyla akut lenfoblastik lösemi tanısının iyileştirilmesi

Neden daha hızlı kan kanseri kontrolleri önemli

Akut lenfoblastik lösemi (ALL), yakalanıp hızlı bir şekilde tedavi edilmezse haftalar içinde hayati tehlike oluşturabilecek, agresif bir kan kanseridir. Günümüzde doktorlar sıklıkla ALL tanısını mikroskop altında kemik iliği ve kan hücrelerini inceleyerek koyar—dikkat gerektiren, zaman alan bir süreç olup büyük ölçüde uzman yargısına dayanır. Bu çalışma, özelleştirilmiş bir yapay zekâ (YZ) yaklaşımının, uzmanların kontrolünü koruyarak mikroskop görüntülerinden ALL ve alt tiplerini daha hızlı ve tutarlı biçimde tespit etmelerine nasıl yardımcı olabileceğini araştırıyor; bu da bakımın hızlanmasını sağlayabilir.

Çocukluk çağı bir kan kanserine yakından bakış

ALL, olgunlaşmamış beyaz kan hücreleri olan lenfoblastların kemik iliğinde kontrolsüz büyüyüp kana karışmasıyla ortaya çıkar. Bu anormal hücreler sağlıklı kan hücrelerini baskılar ve sinir sistemine yayılabilir. ALL en sık görülen çocukluk çağı kanseridir, ancak yetişkinlerde de görülür. Mikroskop altında uzmanlar ALL’yi hücrelerin boyutu ve şekli, genetik materyalinin dokusu ve çevresindeki sıvının görünümü temelinde L1, L2 ve L3 olmak üzere üç ana alt tipe ayırır. Bu alt tipleri ayırt etmek ve sağlıklı kemik iliğinden ayırmak tedavi seçimi için önemlidir; ancak hücre görünümleri çok benzer olduğunda uzmanlar için bile zorlayıcı olabilir.

Bilgisayarlara uzmanların gördüğünü öğretmek

Araştırmacılar, kemik iliği görüntülerini dört gruba ayırabilen bir YZ sistemi geliştirmeyi hedeflediler: üç ALL alt tipi ve normal (lösemik olmayan) örnekler. Pakistan’daki bir klinik laboratuvardan yaşları 10 ile 45 arasında değişen hastılardan alınan 328 yüksek büyütme görüntüsü topladılar ve ardından döndürme, çevirme ile parlaklık veya kontrastta hafif değişiklikler gibi veri artırma teknikleriyle hücrelerin temel yapısını koruyarak 1.585 değişken eğitim örneği oluşturdular. Veri kümesi eğitim, doğrulama ve test setlerine bölündü ve sınıfların karmaşık biçimlerde örtüştüğünü gösteren istatistiksel araçlarla daha ayrıntılı şekilde incelendi; bu da görevin gelişmiş algoritmalar için bile basit olmadığını doğruladı.

Yeni YZ modeli nasıl dikkat ediyor

Çalışmanın merkezinde, iyi bilinen bir görüntü tanıma ağı olan VGG19’un değiştirilmiş bir sürümü yer alıyor. Bunun üzerine yazarlar her ana havuzlama (pooling) adımından sonra bir "konvolüsyonel blok dikkat modülü" (CBAM) eklediler. Basitçe söylemek gerekirse, model önce görüntülerden çok katmanlı özellikler öğreniyor, ardından dikkat mekanizması hangi özelliklere ve görüntedeki hangi bölgelere daha fazla ağırlık verileceğine karar veriyor. Dikkat mekanizmasının bir bölümü en bilgilendirici kanalları—nükleer kenarlar veya iç doku gibi desenleri—vurgularken, diğer bölümü hücre içindeki en önemli konumları öne çıkarıyor. Bu dikkat adımlarını ağın çeşitli derinliklerinde üst üste koyarak, sistem birbirine yakın lösemi alt tiplerini ayırt etmeye yardımcı olan ince görsel ipuçlarını takip edebiliyor.

Sistemin performansı ne kadar iyi

CBAM ile güçlendirilmiş VGG19 modeli, DenseNet, Inception, MobileNet ve orijinal VGG19 dahil olmak üzere birkaç popüler derin öğrenme mimarisiyle karşılaştırıldı. Standart performans ölçüleri kullanıldığında, yeni model genel doğrulukta %98,73’e ulaşarak dikkat içermeyen VGG19’dan yaklaşık 5,7 puan daha yüksek ve aynı verideki tüm rakip modellerden daha iyi performans gösterdi. Ayrıntılı sonuçlar tüm dört sınıf için—nadir L3 alt tipi dahil—yüksek kesinlik ve çağırma (precision ve recall) değerleri sergiledi ve alıcı çalıştırma karakteristikleri eğrileri (ROC) ideal değerlere yakın çıktı. Ekip ayrıca sonuçların kararlı olduğunu kontrol etmek için k-kat çapraz doğrulama yaptı ve kanal ile mekânsal dikkat kombinasyonunun çok aşamalı kullanımının kazanımlarda kritik olduğunu gösteren "ablasyon" deneyleri gerçekleştirdi.

Bu hastalar ve doktorlar için ne anlama gelebilir

Rakamlar umut verici olsa da yazarlar bu sistemin insan uzmanların yerini almak veya klinikte tek başına kullanılmak için hazır olmadığını vurguluyor. Çalışma nispeten küçük, tek merkezli bir veri kümesine dayanıyor ve modelin farklı ortamlarda veya popülasyonlarda eşit şekilde çalıştığını kanıtlayacak bağımsız çok merkezli bir test yok. Yine de çalışma, özenle tasarlanmış dikkat mekanizmalarının yapay zekânın patologların kemik iliği lamlarını okurken kullandığı aynı ince görsel detaylara odaklanmasına yardımcı olabileceğini gösteriyor. Gelecekte, çok daha büyük ve çeşitli veri kümelerinde doğrulanan benzer sistemler, şüpheli vakaları hızla işaretleyen, muhtemel ALL alt tiplerini öneren ve tahminlerini etkileyen bölgelerin ısı haritalarını gösteren karar destek araçları olarak hizmet edebilir—böylece doktorların daha hızlı ve daha emin tanılar koymasına yardımcı olabilirler.

Atıf: Rahman, S.I.U., Abbas, N., Ali, S. et al. Improving acute lymphoblastic leukemia diagnosis through CBAM-enhanced VGG19 deep learning. Sci Rep 16, 11027 (2026). https://doi.org/10.1038/s41598-026-40184-4

Anahtar kelimeler: akut lenfoblastik lösemi, tıbbi görüntüleme yapay zekâ, derin öğrenme tanısı, dikkat mekanizmaları, kemik iliği mikroskopisi