R3MV: ilerleyici heterojen çok bloklu model kullanan cilt kanseri sınıflandırması için yeni güvenilir sistem mimarisi

Bu araştırma cildiniz için neden önemli

Cilt kanseri dünya genelinde en yaygın kanserler arasında yer alıyor ve erken tespit basit bir müdahale ile hayatı tehdit eden bir hastalık arasındaki farkı yaratabilir. Dermatologlar, kameralar ve dermoskoplarla çekilen görüntülerde tehlikeli benleri tespit etmede yapay zekâya (YZ) giderek daha fazla başvuruyor. Ancak farklı YZ sistemleri aynı cilt lezyonunda çelişirse, hangi sonuca bir doktor güvenmeli? Bu çalışma, birden çok YZ bakış açısını tek ve daha güvenilir bir kararda birleştirmenin yeni bir yolunu sunuyor.

Tek bir akıllı makineye güvenmenin sorunu

Cilt kanseri için mevcut YZ araçlarının çoğu, tek bir güçlü modeli tek bir veri kümesi üzerinde eğitmek suretiyle çalışıyor. Bu sistemler laboratuvar testlerinde etkileyici görünebilir, ancak yeni kliniklerden, kameralardan veya hasta gruplarından gelen görüntülerle karşılaştıklarında performansları sıklıkla düşüyor. Dermatolojide yapılan önceki değerlendirmeler, yetersiz dış doğrulama ve zayıf genelleme sorunlarını ortaya koydu: dikkatle seçilmiş bir veri kümesinde iyi çalışan modeller, gerçek dünya hastanelerinde tökezleyebiliyor. Yanlış bir yanıt tedaviyi geciktirebileceği veya gereksiz biyopsilere yol açabileceği için yazarlar, tek bir modele güvenmenin klinik karar verme açısından riskli olduğunu savunuyor.

Yeni bir çok sesli oylama sistemi

Bunu ele almak için araştırmacılar R3MV adında üç seviyeli bir mimari öneriyor; adı, güvenilir üç seviyeli çoğunluk oylama sisteminin kısa hali. Tek bir YZ modeline cevap sormak yerine R3MV aynı cilt görüntüsünü üç farklı karar yolundan geçiriyor. Birinci yol, görüntüyü doğrudan sınıflandıran derin bir konvolüsyonel sinir ağı kullanıyor. İkinci yol, çeşitli derin ağları besleyip onların bulduğu desenleri birleştiriyor ve bu damıtılmış özellikleri geleneksel bir sınıflandırıcıya veriyor. Üçüncü yol ise birden çok bireysel modelin yaptığı tahminlere bakıyor ve bu çıktılar üzerinde başka bir sınıflandırıcı eğitiyor. Son olarak, sistem üç yol arasındaki çoğunluk oyu ile karar veriyor; böylece nihai hüküm tek bir görüş yerine bir konsensüsü yansıtıyor.

Cilt görüntülerini okumada daha akıllı bir yol

Birinci yolun merkezinde İlerleyici Heterojen Çok Bloklu CNN (PHMBCNN) adında özel bir görüntü modeli bulunuyor. Bu ağ, lezyonun ince dokuları veya daha geniş yapılarını gibi farklı görsel yönlerini vurgulayan her biri uzmanlaşmış bir dizi bloktan oluşuyor ve sığdan derine doğru ilerleyici bir biçimde çalışıyor. Yazarlar bu modeli, kanallar ve katmanlar arasındaki ilişkileri yakalamaya yardımcı olan bir tür hafıza modülü olan Kapılı Tekrarlayan Birim (GRU) ekleyerek daha da güçlendiriyorlar. Bu geliştirilmiş versiyon, PHMBCNN‑GRU, hem güçlü bir tek başına sınıflandırıcı hem de sistemdeki diğer yollar için kritik bir özellik kaynağı olarak görev yapıyor.

Birden çok modelin birlikte öğrenmesine izin vermek

İkinci yol, çeşitli görüntü ağlarının güçlü yönlerini birleştirmeye odaklanıyor. Aynı lezyon görüntüsü PHMBCNN‑GRU ve genel fotoğraflar için geliştirilen birkaç popüler önceden eğitilmiş modele veriliyor. Her model lezyonun kendi yüksek boyutlu “parmak izini” çıkarıyor. Bu parmak izleri birleştirilip, gereksiz veya yararsız bilgileri kaldıran tekniklerle sıkıştırılıyor ve yalnızca en bilgilendirici özellikler korunuyor. Ardından çok katmanlı algılayıcı (MLP) olarak bilinen klasik katmanlı bir sinir ağı, bu rafine edilmiş ortak tanıma dayanarak lezyonları sınıflamayı öğreniyor; böylece her modelin “gördüğünü” tek, daha keskin bir görüşte harmanlıyor.

İhtilafları daha güçlü bir yanıta dönüştürmek

Üçüncü yol, karar‑seviyesi füzyon adını taşıyor ve daha üst düzey bir bakış açısı alıyor. Burada yazarlar her modelin öngördüğü etiketi bir girdi olarak ele alıyor ve modellerin uzlaşma ve çelişkilerindeki desenleri tanımayı öğrenmesi için bir destek vektör makinesini (SVM) eğitiyor. Bu meta‑sınıflandırıcı örneğin hangi model kombinasyonlarının genellikle iyi huylu bir noktayı işaret ettiğini veya belirli bir modelin hangi lezyon türlerinde hata yapmaya eğilimli olduğunu öğreniyor. Üç yolun tümünde araştırmacılar görüntüleri dikkatle ön işlediler—yeniden boyutlandırma, saç artefaktlarını giderme ve sınıfları dengeleme—böylece dermoskoplar ve akıllı telefonlarla çekilen klinik görüntülerin karışık gerçekliğini daha iyi yansıttılar.

Sistemin pratikte ne kadar iyi performans gösterdiği

Ekip yaklaşımlarını iki yaygın kullanılan cilt kanseri görüntü koleksiyonunda test etti: klinik merkezlerden yüksek kaliteli dermoskopik görüntüler içeren HAM10000 ve yoğun saç veya mürekkep izleri gibi daha güçlü artefaktlar içeren akıllı telefon fotoğraflarını barındıran PAD_UFES_20. Geliştirilmiş PHMBCNN‑GRU modeli tek başına her iki veri kümesinde de temel versiyonuna kıyasla doğrulukta iyileşme sağladı. Daha da önemlisi, tüm üç yol R3MV sisteminde çoğunluk oyu ile birleştirildiğinde performans daha da yükseldi; HAM10000 üzerinde yaklaşık %99 doğruluk ve PAD_UFES_20 üzerinde yaklaşık %82 doğruluğa ulaşıldı. Lezyonlardaki saçların temizlenmesi de sonuçları tutarlı şekilde iyileştirdi; bu da otomatik tanı için dikkatli görüntü temizliğinin ne kadar kritik olduğunu gösteriyor.

Gelecekteki cilt kontrolleri için ne anlama geliyor

Uzman olmayanlar için ana mesaj, bu çalışmanın cilt kanseri için YZ’yi tek bir “kara kutu”dan, bir lezyonu şüpheli ilan etmeden önce fikir birliğine varması gereken bağımsız “görüşler” paneline doğru taşıdığıdır. R3MV tüm kliniklerde ve kamera tiplerinde bir sistemin eşit derecede iyi çalışması sorununu tamamen çözmese de, farklı modelleri karıştırmanın ve bunlar arasında oylama yapmanın, yalnızca bir modele dayanmaktan daha güvenilir yanıtlar verebileceğini gösteriyor. Zamanla, böyle çok yollu sistemler dermatologlara hangilerine daha yakından bakılması veya biyopsi gerektirebileceği konusunda daha kararlı, açıklanabilir ve güvenilir değerlendirmeler sunarak destek olabilir.

Atıf: Reshma, S.K., Reeja, S.R. R3MV: a novel reliable system architecture for skin cancer classification using progressive heterogeneous multiblock model. Sci Rep 16, 13599 (2026). https://doi.org/10.1038/s41598-026-40522-6

Anahtar kelimeler: cilt kanseri tespiti, dermatoloji yapay zekâsı, derin öğrenme toplulukları, tıbbi görüntü analizi, bilgisayar destekli tanı