MedicalPatchNet: göğüs röntgeni sınıflandırması için yama tabanlı kendini açıklayan bir yapay zeka mimarisi

Neden daha akıllı röntgenler önemli?

Göğüs röntgenleri dünyada en sık yapılan tıbbi testlerden biridir ve yapay zekâ (YZ) sistemleri bunların yorumlanmasında giderek daha fazla hekimlere yardımcı oluyor. Ancak günümüzün en iyi performans gösteren YZ modellerinin çoğu “kara kutu” gibi davranıyor: doğru olabilirler, fakat uzmanlar bile belirli bir tanıya neden ulaşıldığını kolayca göremeyebiliyor. Bu şeffaflık eksikliği, klinisyenlerin YZ’ye güvenmesini ve gerçek hasta bakımında güvenli şekilde kullanmasını zorlaştırıyor. Çalışma, güçlü doğruluğu korurken muhakemesini görünür ve anlaşılır kılmayı amaçlayan yeni bir YZ yaklaşımı olan MedicalPatchNet’i tanıtıyor; bu yaklaşım makine öğrenimi geçmişi olmayan kişiler için bile anlaşılabilir olmayı hedefliyor.

Görüntüleri küçük, anlamlı bölgelere ayırmak

Göğüs röntgenini tek, büyük ve gizemli bir bütün olarak incelemek yerine MedicalPatchNet görüntüyü çok sayıda küçük, örtüşmeyen kare veya “yama”ya ayırarak çalışır. Her yama aynı sinir ağından geçirilir ve akciğer opasitesi, pnömoni veya plevral efüzyon (akciğer çevresinde sıvı) gibi birkaç olası bulgu için bir puan üretir. Bu yama düzeyindeki puanlar daha sonra tüm görüntü için basitçe ortalanarak nihai karar elde edilir. Çünkü son cevap birden çok yerel oylamanın toplamı olduğundan, hangi yamanın tanıya ne kadar katkıda bulunduğunu göstermek doğrudan mümkündür. Önemli olarak, gizli dikkat mekanizmaları veya karmaşık iç ağırlık düzenleri yoktur; böylece her bölgenin etkisi opak bir şekilde öğrenilmek yerine açıkça tanımlanır.

Model kararlarını net görsel haritalara dönüştürmek

Yazarlar bu yama puanlarını, YZ’nin bir hastalık lehine veya aleyhine kanıt bulduğu bölgeleri vurgulayan “özen haritaları” (saliency maps) oluşturmak için kullanır. Bir bulguyu güçlü şekilde destekleyen yamalar sıcak renklerle (örneğin kırmızı), aleyhine olanlar soğuk renklerle (örneğin mavi) ve nötr alanlar gri ile gösterilir. Bu, modelin akciğerlerde mi, kalpte mi yoksa sınır artefaktları veya metin etiketleri gibi alakasız özelliklerde mi odaklandığını kolayca görmeyi sağlar. Haritaları daha pürüzsüz ve daha az bloklu yapmak için ekip ayrıca görüntüyü çok küçük adımlarla hafifçe kaydırıp sonuçları ortalayarak haritalar üretir. Bu yaklaşım bazı hesaplama maliyeti ekler, fakat altında yatan anatomiyle daha iyi örtüşen ısı haritaları verir ve yine de her bölgenin nihai karara katkısı ile açık bağlantısını korur.

Kara kutu performansına yaklaşırken güveni artırmak

MedicalPatchNet’i test etmek için araştırmacılar, 14 yaygın bulgu için etiketlenmiş 220.000’den fazla göğüs röntgenini içeren geniş halka açık veri kümesi CheXpert üzerinde eğittiler. Aynı çekirdek ağ (EfficientNetV2-S) kullanılarak eğitilmiş güçlü, geleneksel bir görüntü düzeyi modeliyle performansını karşılaştırdılar. Ortalama olarak her iki model de Alıcı Çalışma Karakteristiği eğrisi altındaki alan (AUROC), duyarlılık, özgüllük ve doğruluk ile ölçülen tanısal performansta neredeyse özdeş sonuçlar elde etti. Başka bir deyişle, modeli yama yama muhakeme etmeye zorlayıp sonuçları ortalamak, hastalığı tanıma yeteneğini anlamlı şekilde zayıflatmadı. Bu, birçok göğüs röntgeni görevi için yerel görüntü bilgisinin yeterli olduğunu ve modelin iyi performans göstermek için tamamen küresel, karmaşık desenlere dayanmasına gerek olmadığını gösteriyor.

Modelin hastalığı nerede “aradığını” görmek

Genel doğruluğun ötesinde, kilit soru MedicalPatchNet’in kendini popüler “sonradan açıklama” araçları (örneğin Grad-CAM ve türevleri) kadar güvenilir biçimde açıklayıp açıklayamadığıdır. Bunun için ekip, gerçek hastalık bölgelerinin radyologlar tarafından çizilmiş konturlarını sağlayan ikinci bir veri kümesi olan CheXlocalize’u kullandı. Bir yöntemin en çok vurguladığı noktanın gerçek anormal alan içinde ne sıklıkla düştüğünü (“isabet oranı”) ve vurgulanan bölgenin uzman anotasyonlarıyla ne kadar örtüştüğünü (ortalama Kesişim/Birleşim, mIoU) ölçtüler. MedicalPatchNet’in yama tabanlı haritaları, on durumun dokuzunda Grad-CAM tarzı açıklamalardan daha yüksek isabet oranları elde etti ve doğru ve yanlış tahminleri sayarken en iyi genel örtüşmeyi sağladı. Bu daha geniş değerlendirme önemlidir çünkü yalnızca model doğru olduğunda iyi görünen ama model yanlış olduğunda yanıltıcı davranışı açığa çıkarmayan açıklamaları cezalandırır.

Saydam ortaklara dönüşen şeffaflıktan

Uzman olmayanlar için temel sonuç, MedicalPatchNet’in göğüs röntgeni tanısında neredeyse çağın en iyisi performansı korurken YZ’nin muhakemesini çok daha şeffaf hale getirmenin mümkün olduğunu göstermesidir. Kararı gerçekten neyin yönlendirdiğini yansıtup yansıtmadığı belirsiz gizemli ısı haritaları yerine, bu yaklaşım her vurguyu doğrudan modelin hesaplamasındaki yerel bir oylamaya bağlar. Klinikler yalnızca YZ’nin bir hastalığın var olduğunu düşünüp düşünmediğini görmekle kalmaz; aynı zamanda bunu görüntünün tam olarak hangi bölgesinde destekleyici veya çelişen kanıt bulduğunu da görür. Yöntemin hâlâ sınırlamaları vardır—örneğin görüntünün uzak bölgelerinin birlikte değerlendirilmesini gerektiren durumlarda zorluk yaşayabilir—ancak kara kutu gibi davranmayan, tıbbi görüntülemede daha açıklanabilir ve hesap verebilir ortaklar olan YZ araçlarına pratik bir yol sunar.

Atıf: Wienholt, P., Kuhl, C., Kather, J.N. et al. MedicalPatchNet: a patch-based self-explainable AI architecture for chest X-ray classification. Sci Rep 16, 7467 (2026). https://doi.org/10.1038/s41598-026-40358-0

Anahtar kelimeler: göğüs röntgeni yapay zekâsı, açıklanabilir derin öğrenme, MedicalPatchNet, tıbbi görüntü öne çıkan alan haritaları, radyoloji karar desteği