Göğüs röntgeni tıbbi rapor üretimi için hafif bir transformer tabanlı hibrit kodlayıcı-çözücü model

Daha hızlı göğüs taramaları neden önemli

Göğüs röntgenleri, doktorların akciğer ve kalp problemlerini araştırırken en sık başvurduğu yöntemlerden biridir, ancak her görüntüyü net bir yazılı rapora dönüştürmek zaman ve dikkat gerektirir. Yoğun hastanelerde veya uzak kliniklerde uzmanlar sıklıkla aşırı yüklenmiş olduğundan tedavi gecikebilir ve hata riski artabilir. Bu çalışma, bir göğüs röntgenine bakıp otomatik olarak bir paragraf tarzı tam taslak rapor oluşturan FAST-MRG adlı bir bilgisayar sistemi sunar; bu raporlar bir radyoloğun yazacağına benzer. Amaç doktorların yerini almak değil; onlara hızlı ve güvenilir bir ilk taslak sağlamak, böylece bakımın hızlanmasına ve uzman benzeri raporlamanın uzman sayısının az olduğu yerlere taşınmasına yardımcı olmaktır.

Resimden paragrafa

FAST-MRG’nin temel fikri, görüntüleri anlamakta güçlü bir yapay zekâ ile metin yazmada güçlü bir diğer yapay zekâyı birbirine bağlamaktır. Görüntü tarafında sistem, her göğüs röntgenini birçok küçük yama hâline getirir ve resmin çizgi çizgi taranması yerine bu yamalar arasındaki ilişkileri analiz eder. Metin tarafında ise doğal paragraflarda kelimelerin nasıl akacağını öğrenmiş bir dil modeli kullanılır. Bu parçaları birbirine bağlayarak FAST-MRG tek bir göğüs röntgeni alır ve görüntünün ne gösterdiğine dair çok cümleli bir açıklama üretir; tıpkı doktorların tıbbi kayıtlarda yazdıkları “bulgular” ve “izlenim” bölümleri gibi.

Gerçek hastane raporlarından öğrenme

Sistemi eğitmek ve test etmek için araştırmacılar, yaygın kullanılan açık bir veri seti olan Indiana Üniversitesi Göğüs Röntgeni Koleksiyonu’nu kullandı. Veri kümesi, radyologlar tarafından yazılmış gerçek raporlarla eşleştirilmiş 6.469 göğüs röntgeni görüntüsü içerir. Bu raporlar uzunluk, kelime seçimi ve üslup bakımından farklılık gösterir; farklı doktorların gerçek dünya baskısı altında nasıl yazdıklarını yansıtır. Sözcüklerin standartlaştırılmamış olması, bir bilgisayara bu paragrafları eşleştirmeyi tek bir hastalık etiketi seçmeyi öğretmekten çok daha zor kılar. Ekip, verileri dikkatle hazırlayarak yazım ve noktalamadaki bariz tutarsızlıkları düzeltti, ancak sistemin gerçekçi hastane koşullarında öğrenmesini sağlamak için gerçek tıbbi ifadeleri korudu.

Görüntüler ve sözcükler için çevik bir beyin

FAST-MRG, hafif olacak şekilde tasarlanmıştır; yani nispeten hızlı çalışabilir ve mütevazı hesaplama gücüyle işlemleri sürdürebilir. Görüntü tarafı için, daha güçlü bir öğretici ağın davranışını taklit etmeyi öğrenmiş modern bir “transformer” modeli kullanır; bu işleme distillation (ayırtma) denir. Bu, sistemin sınırlı bir tıbbi veri kümesinden zengin görsel desenleri öğrenmesini sağlar ve büyük miktarda eğitim süresine gereksinim duymaz. Metin tarafında ise, raporu kelime kelime inşa eden, yazılanları sürekli hesaba katarak paragrafın akıcı ve tıbbi açıdan anlamlı kalmasını sağlayan transformer tabanlı bir dil modeli kullanılır. Bu seçimler birlikte sistemin doğruluk ile hız arasında bir denge kurmasına izin verir; gerçek kliniklerde kullanışlı olabilmesi için bu denge hayati önemdedir.

Sistemin performansı nasıl

Araştırmacılar, FAST-MRG’yi göğüs röntgenlerini metne dönüştürmeye çalışan önceki yöntemlerle karşılaştırdı. Bilgisayar tarafından üretilen metnin insan yazısı raporlarla ne kadar örtüştüğünü ölçen standart değerlendirmeler kullanıldığında, FAST-MRG çoğu rakip sistemden daha iyi çok kelimelik ifadeler ve daha doğal cümleler üretti. Özellikle daha uzun dil parçalarını doğru yakalamayı ödüllendiren testlerde öne çıktı; bu durum, sistemin yalnızca izole terimler yerine bütün fikirleri yakalamada iyi olduğunu gösterir. Aynı zamanda model, daha ağır görüntü ağlarına dayanan birçok daha kilolu tasarıma göre anlamlı ölçüde daha hızlı eğitildi. Ayrıntılı grafikler, sistemin yüzlerce test vakası boyunca performansının istikrarlı olduğunu ve çok az aşırı kötü çıktının bulunduğunu gösterdi; bu, bir gün klinik çalışmaları destekleyebilecek herhangi bir araç için önemli bir özelliktir.

Bu hastaya bakım için ne anlama geliyor

Uzman olmayan biri için temel mesaj, bilgisayarların karmaşık tıbbi görüntüleri tutarlı, paragraf tarzı dile çevirmede giderek daha iyi hale geldiği ve FAST-MRG’nin bu yönde umut verici bir adım olduğudur. Sistem, anlamlı raporları saniyeler içinde taslak hâline getirebilir; doktorların rutin betimleme yerine yargılamaya odaklanmasına yardımcı olur ve kalabalık ya da personel eksikliği olan ortamlarda bir güvenlik ağı sunar. Yazarlar, nadir durumlar ve ince bulgular hâlâ zorlu kaldığı için bu tür araçların insan uzmanlar tarafından her zaman gözden geçirilerek karar desteği şeklinde kullanılmasını vurguluyor. Yine de çalışma, dikkatle tasarlanmış, verimli yapay zekâ sistemlerinin her hastaya yüksek kaliteli raporlama getirmeyi yakınlaştırabileceğini gösteriyor ve aynı fikirler sonunda beyin, karın ve vücudun diğer bölgelerinin taramalarına da uygulanabilir.

Atıf: Ucan, M., Kaya, B., Kaya, M. et al. A lightweight transformer-based hybrid encoder-decoder model for chest X-ray medical report generation. Sci Rep 16, 8645 (2026). https://doi.org/10.1038/s41598-026-40710-4

Anahtar kelimeler: göğüs röntgeni, tıbbi rapor üretimi, transformer modelleri, klinik karar desteği, radyoloji yapay zekâsı