Prototip tabanlı açıklanabilir mitoz tespiti için uyarlanabilir örnek seçimi

Kanser bakımında bunun önemi

Patologlar mikroskop altında kanser örneklerine baktıklarında, aktif olarak bölünen tümör hücrelerinin sayısını belirlemek, kanserin ne kadar agresif olduğunu ve hangi tedavilerin seçileceğini belirlemeye yardımcı olur. Yapay zeka artık bu bölünen hücreleri dijital slaytlarda hızlıca tespit edebiliyor, ancak verdiği kararlar çoğunlukla uzmanlar için bile gizemini koruyor. Bu makale, Yapılandırılmış Örnek Seçimi (Adaptive Example Selection, AES) adlı bir yöntem tanıtıyor; bu yöntem, bir yapay zeka sisteminin her karar için onu destekleyen veya çürüten gerçek geçmiş vakalara işaret ederek “içini göstermesini” sağlar ve otomatik mitoz tespitini daha şeffaf ve klinik olarak güvenilir kılar.

Bölünen hücreleri fark etmenin zorluğu

Mitoz olarak adlandırılan bölünen tümör hücreleri küçük, nadir ve görsel olarak çeşitlidir. Alışılmış pembe-mor boyamada, ölen hücreler veya bazı bağışıklık hücreleri gibi zararsız yapılara çok benzeyebilirler. İnsan uzmanlar bunları bulmak için büyük dijital slaytları taramak zorundadır; bu süreç yavaş, yorucu ve fikir ayrılıklarına açık olur. Modern derin öğrenme sistemleri bu görevde uzman performansına eşdeğer veya daha iyi olabilir, ancak kara kutu gibi davranırlar: şüpheli her hücre için bir puan üretirler, bunun nedenini açıkça açıklamazlar. Tedavi kararlarının hayatı değiştirebileceği tıp alanında bu belirsizlik, yapay zekanın günlük uygulamada kullanılmasının önünde ciddi bir engeldir.

Güçlü ama opak bir dedektör inşa etmek

Yazarlar önce mitotik figürleri bulmak için Faster R-CNN mimarisine dayanan son teknoloji bir nesne tespit ağı eğitirler; bu ağ MIDOG++ adındaki büyük, çeşitli bir veri kümesinde çalışır. Bu görüntüler hem insan hem köpek tümörlerinden, çeşitli kanser türleri ve laboratuvarlardan gelir ve on binden fazla dikkatle etiketlenmiş bölünen hücre içerir. İnce ayrıntıları korumak için slaytlar küçük yamalara bölünür ve boyama ile görüntülemeye dair gerçek dünya varyasyonlarını taklit etmek üzere yoğun şekilde arttırılır. Ortaya çıkan dedektör, tümör tipleri arasında 0,84’e kadar F1 skorları ile sağlam bir performans gösterir; bu da sistemin doğru fakat karmaşık olduğunu—klinik uygulamada güven kazanması için daha iyi açıklama gerektiren türden bir sistem olduğunu doğrular.

Yapay zekaya örneklerle kendini açıklamayı öğretmek

AES, dedektörün nasıl çalıştığını değiştirmek yerine, eğitilmiş bu dedektörün üzerine bir yorumlanabilirlik katmanı olarak yerleştirilir. Dedektörün olası mitotik olarak işaretlediği her aday bölge için AES, eğitim verilerinden alınmış gerçek doku yamalarından oluşan bir kütüphaneye bakar. Bu kütüphaneden gerçek mitozlara benzeyen küçük bir "destekleyici" örnek seti ve non-mitozik hücrelere daha çok benzeyen "çelişen" örnek seti seçer. Sahne arkasında, AES dedektörün güven skorlarını düzgün bir manzara olarak ele alır ve bu güvenin her vaka yakınında nasıl değiştiğini yaklaşık olarak ifade etmek için radyal baz fonksiyonları adlı matematiksel bir araç kullanır. Yalnızca yerel güveni anlamlı şekilde etkileyen prototipler tutulur; böylece tek bir karar için açıklama genellikle yüzlerce az ilgisiz örnek yerine yaklaşık on dikkatle seçilmiş örnek içerir.

Örnekler yapay zeka kararları hakkında ne gösteriyor

Araştırmacılar AES’i hem nicel hem nitel olarak değerlendirir. Nicel olarak, yaklaşık 190 prototip görüntüden oluşan kompakt bir sözlüğün dedektörün güven skorlarını çok yüksek doğrulukla taklit edebildiğini gösterirler; aynı zamanda vaka başına gösterilen örnek sayısını insanın gözden geçirebileceği kadar düşük tutarlar. Nitel olarak üç yaygın senaryoyu incelerler. Dedektör açıkça doğru olduğunda, AES yalnızca kararı güçlü şekilde destekleyen mitotik prototipleri döndürür; bu, klinisyenler için güven vericidir. Yanlış alarm durumlarında yöntem, dedektörün benzer doku veya kromatin desenleri tarafından neden yanıltıldığını gösteren benzer mitotik örnekleri ortaya çıkarır; genellikle belirsizliği ima eden daha zayıf non-mitozik prototiplerle birlikte sunulur. Kaçırılan mitozlarda AES çoğunlukla non-mitozik prototipler veya belirsiz örnekler döndürme eğilimindedir; bu, eğitim verisindeki kör noktaları işaret eder ve nerede yeni veya daha iyi etiketlenmiş örneklere ihtiyaç olduğunu gösterir.

Kara kutudan işbirlikçi araca

Her tahmini birkaç gerçek, etiketli doku yamasıyla temellendirerek AES, karmaşık bir yapay zeka dedektörünü kararlarını geçmiş vakaları hatırlayarak gerekçelendiren bir insan meslektaşa benzetir. Sistem yalnızca bir hücrenin muhtemelen bölünüp bölünmediğini raporlamakla kalmaz; aynı zamanda destekleyici ve çelişen prototiplerin karışımı ve etkisi aracılığıyla nedenini ve ne kadar emin olduğunu gösterir. Bu tasarım, patologların güçlü tahminleri hızla doğrulamasına, sınırda veya kafa karıştırıcı bölgelere dikkatini odaklamasına ve daha ileri eğitimleri yönlendirebilecek sistematik hata örüntülerini tanımlamasına olanak tanır. Mitoz tespiti için geliştirilmiş olsa da aynı yaklaşım dijital patolojide diğer görevlere de genişletilebilir; yapay zekayı opak otomasyondan, klinisyenlerin sorgulayabileceği, güvenebileceği ve geliştirebileceği yorumlanabilir, vaka-temelli bir yardımcıya doğru taşımaya yardımcı olabilir.

Atıf: Banik, M., Kreutz-Delgado, K., Mohanty, I. et al. Adaptive example selection for prototype based explainable mitosis detection in digital pathology. Sci Rep 16, 9481 (2026). https://doi.org/10.1038/s41598-026-40283-2

Anahtar kelimeler: açıklanabilir yapay zeka, dijital patoloji, mitoz tespiti, prototip tabanlı modeller, kanser tanısı