Ultrason görüntüleri kullanılarak polikistik over sendromu tanısı için derin temsil öğrenmesiyle çokmodlu özellik füzyonu yaklaşımı

Bu durumun kadın sağlığı için önemi

Polikistik over sendromu (PCOS), üreme çağındaki kadınlarda infertilite ve hormonal sorunların önde gelen nedenlerinden biridir; ancak erken dönemde teşhisi sıklıkla zordur. Bugün uzmanlar hâlâ overlerin ultrason taramalarını gözle inceleyerek küçük sıvı dolu kesecikleri sayar ve bunların boyut ile şeklini değerlendirir. Bu zaman alıcıdır, uzman yeteneğine güçlü biçimde bağlıdır ve erken bulguları kaçırabilir. Burada özetlenen makale, ultrason görüntülerini otomatik olarak okuyan yeni bir bilgisayar tabanlı yöntem sunar; amaç PCOS’u daha doğru ve daha hızlı tespit etmek, böylece daha fazla kadının zamanında tedavi almasına ve uzun tanı süreçlerinden kaçınmasına yardımcı olmaktır.

PCOS’a ve mevcut testlere daha yakından bakış

PCOS, menopoz öncesi her on kadından yaklaşık birini etkiler. Yüksek düzeyde erkek tipi hormonlarla, düzensiz adetlerle ve overlerde birden çok küçük kist ile ilişkilidir. Bu değişiklikler ovulasyonu bozarak hamile kalmayı zorlaştırabilir ve kilo alımı, diyabet riski ile duygusal sıkıntı ile ilişkilidir. Günümüzde doktorlar PCOS olup olmadığına karar verirken hormon kan testlerini, adet öyküsünü ve ultrason görüntülemesini bir arada değerlendirir. Ancak tek bir test belirleyici değildir ve ultrason görüntüsündeki parlak ve koyu lekelerin yorumlanması, özellikle daha az deneyimli klinisyenler için güç bir görsel görevdir. Sonuç olarak tanı yavaş, tutarsız ve bazen yanıltıcı olabilir.

Ultrason taramalarını daha net sinyallere dönüştürmek

Araştırmacılar, over ultrason taramalarını inceleyip overin tipik görünüp görünmediğine ya da PCOS belirtisi gösterip göstermediğine karar verebilen akıllı bir görüntü analiz sistemi geliştirmeyi hedeflediler. MMFEDL‑DPCOS adlı yaklaşımları, her taramayı Gaussian filtreleme olarak bilinen bir işlemle nazikçe temizleyerek başlıyor. Basitçe söylemek gerekirse, bu adım rastgele lekeleri ve arka plan gürültüsünü giderirken önemli kenarları ve ayrıntıları korur. Amaç, overdeki kritik yapıların daha belirgin hale gelmesini sağlayarak bilgisayarın fotoğrafı incelemeden önce odaklanması gereken noktaları vurgulamaktır; tıpkı bir fotoğrafın netliğini ayarlamak ve kumlanmayı azaltmak gibi.

Birlikte çalışan birçok dijital “göz”

Tek bir örüntü tanıma yöntemine güvenmek yerine ekip, şekilleri ve dokuları tanımada başarılı bilgisayarlı görme araçları olan beş farklı derin öğrenme görüntü modelini birleştirir. Her model aynı ultrason görüntüsüne bakar ancak ince ayrıntılardan over içindeki daha geniş yapısal desenlere kadar biraz farklı yönleri yakalar. Bu beş bilgi akışı daha sonra görüntünün içeriğine dair tek, zengin bir betimlemede birleştirilir. Bu füzyonlu temsil, düzenlenmiş yığılmış bir otoenkoder adlı ikinci bir öğrenme modülüne aktarılır; bu modül bilgiyi daha da yoğunlaştırır ve aşırı uyumdan (modelin eğitim verisini ezberlemesi yerine genel kurallar öğrenememesi) kaçınırken PCOS ile PCOS olmayan görüntüleri ayırmayı öğrenir.

Sistemi teste koymak

Yöntemlerinin ne kadar iyi çalıştığını değerlendirmek için yazarlar, yöntemi PCOS’lu ve PCOS’suz kadınlar arasında eşit olarak bölünmüş 9.000 over ultrason görüntüsünden oluşan halka açık bir koleksiyon üzerinde eğitti ve değerlendirdi. Sistemi binlerce eğitim döngüsü boyunca kademeli olarak iyileştirdiler ve yeni, görülmemiş görüntüleri ne kadar doğru etiketlediğini izlediler. Nihai sürüm, yaklaşık 100 vakadan 99’unda PCOS’lu overleri PCOS’suzlardan doğru şekilde ayırdı ve geleneksel sınıflandırıcılar ve tekil derin ağlar da dahil olmak üzere birkaç diğer makine öğrenmesi yaklaşımından daha hızlıydı. Araştırmacılar sistemin parçalarını “ablasyon” testlerinde devre dışı bıraktıklarında performans sürekli düştü; bu da birden fazla görüntü modelinin ve son otoenkoder aşamasının güçlü sonuçlar için kritik olduğunu gösterdi.

Bu hastalar için ne anlama gelebilir

Günlük söylemle, bu çalışma dikkatle tasarlanmış bir yapay zeka aracının over ultrason görüntülerini çok yüksek doğrulukla okuyabileceğini; deneyimli uzmanlara denk ya da onları destekleyebilecek şekilde çok daha hızlı çalışabileceğini gösterir. Böyle bir sistem, radyologlar ve jinekologlar için ikinci bir göz işlevi görerek endişe verici taramaları işaretleyebilir, kaçırılan vakaları azaltabilir ve PCOS tanısını klinikler arasında standartlaştırmaya yardımcı olabilir. Yazarlar çalışmalarının hâlâ tek bir veri setine dayandığını ve daha çeşitli görüntüler ve hasta grupları üzerinde test edilmesi gerektiğini not ediyorlar. Yine de bu, daha nesnel, erken ve yaygın olarak erişilebilir PCOS taraması yönünde umut verici bir adım sunuyor; bu da birçok kadın için daha erken tedavi seçenekleri ve daha iyi uzun vadeli sağlık anlamına gelebilir.

Atıf: Kranthi, S., Sandeep, Y., Pranathi, K... et al. A multimodal feature fusion with deep representation learning approach for polycystic ovary syndrome diagnosis using ultrasound images. Sci Rep 16, 9977 (2026). https://doi.org/10.1038/s41598-026-40718-w

Anahtar kelimeler: polikistik over sendromu, ultrason görüntüleme, derin öğrenme, tıbbi tanı, kadın sağlığı