Çift Açıklamalı BCC tanısına yardımcı Çoklu Görevli öğrenme YZ sistemi

Günlük cilt sağlığı için bunun önemi

Cilt kanseri dünya çapında en yaygın kanserdir ve bazal hücreli karsinom bunun en sık görülen türüdür. Telemedicine yaygınlaştıkça, aile hekimleri hastane uzmanlarına her zamankinden daha fazla cilt fotoğrafı göndermekte, bu da uzun kuyruklar ve gecikmeler yaratmaktadır. Bu çalışma, bu görüntülerde muhtemel bazal hücre kanserlerini tespit etmekle kalmayıp doktorlara bu sonuca nasıl ulaştığını da gösteren bir yapay zeka aracını tanıtır; bu da gerçek kliniklerde güven ve kullanım kolaylığı sağlar.

Bugün telemedicine içinde cilt fotoğrafları nasıl yol alıyor

Birçok bölgede aile hekimleri, yakın çekim cilt görüntülerini hastane dermatologlarına göndermek için teledermatolojiyi kullanıyor. Bu uzmanlar, bir lezyonun bazal hücreli karsinom mu yoksa zararsız bir şey mi olduğunu belirlemek için belirli şekiller, renkler ve damar desenleri gibi görsel ipuçlarına bakıyor. Temel kurallar iyi bilinse de, her vaka oldukça farklı görünebilir ve uzmanlar birçok klinikten gelen giderek artan görüntü akışını incelemek zorunda kalarak bakımın yavaşlamasına ve sistemin zorlanmasına neden oluyor.

Uzman kurallarını faydalı bir asistana dönüştürmek

Araştırmacılar, uzmanların kullandığı aynı mantığı izleyen bir YZ sistemi tasarladı. Her dermoskopik görüntüde ülserasyon veya yaprak biçimli şekiller gibi yedi temel görsel deseni arıyor ve ayrıca lezyonun bazal hücreli karsinom olma olasılığını azaltan bir deseni kontrol ediyor. Yalnızca “kanser” veya “kanser değil” demek yerine, araç hangi desenleri gördüğünü raporluyor ve ardından dermatologların uygulamalarına dayanan basit kuralları kullanarak bir lezyonu muhtemel kanser veya değil olarak ilan ediyor. Bu yaklaşım bilgisayarın gerekçesini anlamayı kolaylaştırıyor.

Sistemi çok sayıda görüşle eğitmek

YZ’yi öğretmek için ekip, Endülüs’teki 60 birinci basamak merkezinden toplanan 1.559 cilt görüntüsünü ve ek olarak halka açık bir arşivden kanser dışı görüntüleri kullandı. Dört dermatolog her lezyonda gördükleri yedi desenden hangilerini işaretledi, ancak bu ince ayrıntılı desenler için kusursuz bir referans yok ve uzmanlar sık sık farklı görüşte olabiliyor. Araştırmacılar, bu farklı görüşleri her görüntü için tek bir uzlaşı etiketi haline getirmek üzere istatistiksel bir yöntem kullanarak grubun ortak yargısını yakaladı ve bireysel önyargıyı azalttı.

YZ nelerin yapılmasını öğrendi

Sistemin çekirdeği, iyi bilinen bir mobil mimariden uyarlanmış kompakt bir görüntü tanıma ağıdır. Aynı anda iki görevi yerine getirecek şekilde eğitildi: bazal hücreli karsinomları diğer lezyonlardan ayırmak ve bu kararı destekleyen görsel desenleri tespit etmek. Nadir desenler ve dengesiz veri kümesiyle başa çıkmak için ekip gelişmiş kayıp fonksiyonları, veri artırma ve dikkatli çapraz doğrulama gibi teknikler uyguladı. Sonuç, lezyonları bazal hücreli karsinom veya değil olarak yaklaşık %90 doğrulukla doğru sınıflandıran ve yine de bu kararı yönlendiren önemli görsel desenleri tespit etmede iyi performans gösteren bir model oldu.

YZ’nin nereye baktığını görmek

Desen listelerinin ötesinde sistem, kararından en sorumlu görüntü bölgelerini vurgulayan renkli haritalar sağlıyor. Bu haritaların gerçekten klinik düşünceyle örtüşüp örtüşmediğini kontrol etmek için dermatologlar yüzlerce görüntüde desen alanlarını dikkatle çevreledi. Araştırmacılar daha sonra YZ’nin vurguladığı bölgeleri bu çizimlerle karşılaştırdı ve modelin “dikkat”inin çoğunun uzmanların önemli saydığı aynı bölgeler içinde toplandığını buldu. Kanser-pozitif vakaların neredeyse tamamında en az bir ilgili desen doğru şekilde tanımlandı ve kanser olmayan vakaların çoğunda beklenen “güvenli” desen kuralına uyuldu.

Bu hastalar ve doktorlar için ne anlama geliyor

Bir arada değerlendirildiğinde, sonuçlar kompakt bir YZ aracının teledermatolojide cilt lezyonlarını triyaj etmeye yardımcı olabileceğini ve seçimleri için açık, klinik açıdan anlamlı gerekçeler sunabileceğini gösteriyor. Dermatologların yerini almaz, ancak hangi vakaların önce görülmesi gerektiğini vurgulayabilir ve uyarılarının arkasındaki görsel ipuçlarını gösterebilir. Sistem hafif donanımda çalıştığı ve uzman mantığını yansıttığı için birinci basamak ağlarında hızlı dağıtıma uygun olup tanıyı hızlandırma, öğrenmeyi destekleme ve YZ destekli cilt kanseri bakımına güveni artırma potansiyeline sahiptir.

Atıf: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

Anahtar kelimeler: bazal hücreli karsinom, teledermatoloji, açıklanabilir YZ, cilt lezyonu görüntüleme, dermoskopi