Dağıtılmış tıbbi görüntüleme genelinde ham hasta verilerini paylaşmadan lösemiyi otomatik tespit için hafif dikkatli CNN’lerle gizliliği koruyan federated learning

Sırları paylaşmadan bilgiyi paylaşmanın önemi

Modern tıp, röntgenden mikroskop lamlarına kadar tıbbi görüntüleri bilgisayarların okumasına giderek daha fazla dayanıyor. Ancak bu sistemleri eğitmek genellikle hassas hasta verilerinin tek bir yerde toplanmasını gerektirir ve bu ciddi gizlilik kaygıları doğurur. Bu çalışma, hastanelerin ham hasta verilerini asla paylaşmadan kan görüntülerinden lösemi tespit eden güçlü bir sistem kurmasına olanak veren bir yol gösteriyor; gizliliği korurken neredeyse en iyi düzeyde tanısal doğruluk sağlıyor.

Birçok hastane, ortak bir beyin

Araştırmacılar, mikroskop altında hücrelerin incelenmesiyle kısmen teşhis edilen bir kan kanseri türü olan lösemiye odaklanıyor. Hasta görüntülerini merkezi bir sunucuya göndermek yerine federated learning olarak adlandırılan bir strateji kullanıyorlar. Bu düzenekte birkaç hastane görüntülerini yerinde tutuyor ve aynı bilgisayar modelinin bir kopyasını yerel olarak eğitiyor. Periyodik olarak yalnızca modelin öğrenilmiş parametreleri güvenli bir merkezi sunucuya gönderiliyor; sunucu bunları ortalayıp geliştirilmiş birleşik modeli geri iletiyor. Bu şekilde bilgi havuzlanırken temel görüntüler kendi kurumlarını terk etmiyor.

Küçük bir ağın dikkatini yoğunlaştırmayı öğretmek

Çerçevenin merkezinde, görüntüleri okumada standart bir araç olan konvolüsyonel sinir ağlarına dayanan hafif bir görüntü analiz modeli bulunuyor. Yazarlar, ağın her kan hücresinin en bilgilendirici kısımlarına —örneğin çekirdeğin şekli ve çevresindeki dokunun dokusu— odaklanmasını sağlayan kompakt bir "dikkat" mekanizması ile onu güçlendiriyor. Model yalnızca yaklaşık 33.000 ayarlanabilir parametreye sahip olsa da —birçok modern ağın boyutunun yalnızca bir kısmı— hâlâ dört klinik açıdan önemli kategoriyi ayırt edebiliyor: iyi huylu hücreler, erken değişiklikler, pre-lösemik durumlar ve tamamen gelişmiş pro-lösemik hücreler. Özenli tasarım, hesaplamayı rutin laboratuvarlarda gerçekçi kullanım için yeterince hızlı tutuyor.

Dengesiz ve dağıtık veriden adil öğrenme

Gerçek sağlık sistemlerinde hastaneler aynı hasta karışımını görmez. Bir merkez çoğunlukla erken aşama hastalık görürken, başka bir merkez daha ileri vakalarla karşılaşabilir. Ekip, 3.256 kan yayma görüntüsünden oluşan bir veri kümesini farklı lösemi evrelerinin farklı oranlarıyla birden fazla simüle edilmiş hastane arasında bölerek bu gerçek dünya dengesizliğini kasten yansıtıyor. Ardından bu dengesiz dağılımın öğrenmeyi nasıl etkilediğini analiz ediyorlar; her hastanenin verilerinin ne kadar farklı olduğunu ve nihai doğruluklarının ne kadar benzer olduğunu nicelendiriyorlar. Ağırlıklı bir ortalama şeması, daha fazla veriye sahip sitelerin orantılı bir etkiye sahip olmasını sağlarken sahalar arasındaki performans farklarını çok küçük tutuyor.

Merkezi eğitimle yarışan doğruluk

Verileri parçalı ve dengesiz tutmalarına rağmen paylaşılan model lösemi evrelerini dikkate değer bir ustalıkla sınıflandırmayı öğreniyor. Üç simüle edilmiş hastaneyle küresel model, ayrılan test görüntülerinde yaklaşık %95,7 doğruluğa ulaşıyor; beş hastane ve daha fazla eğitim turuyla doğruluk yaklaşık %96,6'ya yükseliyor. Pre-lösemik ve daha ileri hastalığı temsil eden malign kategoriler özellikle iyi tanınıyor ve bazı durumlarda neredeyse mükemmel skorlar elde ediliyor. Daha az temsil edilen daha zorlu iyi huylu kategori biraz daha düşük performans gösteriyor; bu da nadir ama önemli sınıflar için daha iyi denge veya hedefe yönelik tekniklere ihtiyaç olduğunu vurguluyor. Yine de federated sistem, tüm veriler merkezileştirildiğinde elde edilen doğruluğa çok yakın bir performans sergilerken yerel depolamanın gizlilik avantajlarını koruyor.

Makinenin muhakemesini görünür ve güvenilir kılmak

Klinisyenlerle güven inşa etmek için yazarlar salt doğruluğun ötesine geçiyor ve modelin kararlarını nasıl verdiğini inceliyor. Her hücre görüntüsünün sonucu en çok etkileyen kısımlarını vurgulayan görsel örtüşmeler (overlay) üretiyorlar. Bu haritalar modelin daha tehlikeli lösemi evrelerinde anormal çekirdek şekilleri gibi tıbben anlamlı özelliklere yoğunlaştığını, iyi huylu hücrelerde ise daha yaygın desenler gösterdiğini ortaya koyuyor. Ekip ayrıca modelin tahminlerindeki güven düzeyini de inceliyor ve doğru yanıtların genellikle yüksek güvene sahip olduğunu, özellikle malign evreler için bunun sistemin kesinliği ile güvenilirliği arasında iyi bir eşleşme olduğunu buluyor.

Geleceğin kan teşhisi için anlamı

Uzman olmayanlar için temel mesaj, hastanelerin artık hastalarının görüntülerini teslim etmeden daha akıllı kan tanıları geliştirmek için iş birliği yapabilmesidir. Bu çalışma, federated learning ile eğitilmiş kompakt, özenle tasarlanmış bir modelin, hesaplama gücü ve ağ trafiği konusundaki pratik sınırlamalara ve gizlilik kurallarına saygı gösterirken geleneksel toplu veri yöntemlerinin doğruluğuna yaklaşabileceğini gösteriyor. Daha az temsil edilen hücre tiplerini daha iyi ele almak ve iletişim maliyetlerini düşürmek için yapılacak ek çalışmalarla benzer gizliliği koruyan sistemler diğer kanserlere ve görüntüleme testlerine de genişletilebilir; böylece klinisyenler bireysel hastaların maruz kalmasını önleyerek paylaşılan deneyimlerden yararlanabilir.

Atıf: Awan, M.Z., Khan, N.A., Strakos, P. et al. Privacy-preserving federated learning with light-weight attention improved CNNs for automated leukemia detection across distributed medical imaging. Sci Rep 16, 9768 (2026). https://doi.org/10.1038/s41598-026-40581-9

Anahtar kelimeler: federated learning, lösemi görüntüleme, tıbbi yapay zeka gizliliği, dikkat tabanlı CNN, dijital patoloji