Yorumlanabilir BI-RADS mamografi sınıflandırması için mesafe-duyarlı öğrenmeli çok ölçekli hibrit ResNet–transformer

Bu hastalar ve hekimler için neden önemli

Meme kanseri taraması hayat kurtarıyor, ancak hangi mamogramların gerçekten tehlike gösterdiğini belirlemek uzmanlar için bile zordur. Bu çalışma, meme görüntülerini daha doğru ve daha şeffaf şekilde tanıdık BI-RADS risk kategorilerine ayırmayı amaçlayan yeni bir bilgisayar aracını sunuyor. Böylece gereksiz biyopsileri azaltmaya, tehlikeli kanserleri daha erken yakalamaya ve radyologlara gizemli bir kara-kutu yanıtı yerine anlaşılır bir ikinci görüş sağlamaya yardımcı olabilir.

Meme görüntülerinden risk kategorilerine

Mamogramlar genellikle “normal”den “yüksek derecede kanser şüpheli”ye kadar uzanan BI-RADS ölçeği kullanılarak raporlanır. En kritik kategoriler, kısa süreli takip veya biyopsi kararlarının alındığı BI-RADS 3, 4 ve 5’dir. İnsan okuyucular özellikle yoğun meme dokusu olan kadınlarda görüş ayrılığına düşebilir; bu durum hem atlanmış kanserlere hem de gereksiz alarmlara yol açabilir. Radyologlara destek olmak için yazarlar, uzman okuyucuların BI-RADS 1’den 5’e kadar etiketlediği herkese açık bir mammografi veri kümesi üzerinde bir yapay zekâ sistemi eğittiler. Ayrıca sık görülen bir sorunla da başa çıkmak zorunda kaldılar: normal ve açıkça iyi huylu görüntüler yüksek riskli olanlardan çok daha fazlaydı; bu denge sağlanmazsa öğrenmede önyargıya neden olabilir.

Yeni akıllı okuyucu görüntüleri nasıl görüyor

Önerilen sistem görüntü analizinde iki yeni fikri birleştiriyor. Birincisi, ince kenarlar, dokular ve mikro kalsifikasyonları gösterebilecek küçük parlak noktalar gibi ayrıntıları yakalamak için derin bir konvolüsyonel ağ (ResNet-50) kullanmasıdır. İkincisi, dil modellerinde popüler hale gelen bir tasarım olan transformer modülünü ekleyerek görüntünün uzak bölümlerini birbirine bağlama ve genel desenler ile simetri hakkında akıl yürütme yapmaktır. Tüm bunlardan önce mamogramlar dikkatlice ön işleme tabi tutulur: yeniden boyutlandırılır, ince lezyonların öne çıkması için kontrast artırılır ve nadir kategoriler aşırı örnekleme ile dengelenir, böylece model eğitim sırasında şüpheli ve malign örnekleri yeterince görür.

Modele bazı hataların daha önemli olduğunu öğretmek

Standart bilgisayar modelleri tüm kategori hatalarını aynı derecede kötü olarak ele alır, oysa tıpta durum böyle değildir. Açıkça normal bir memeyi açıkça malign olarak yanlış sınıflandırmak, BI-RADS 2 ve 3 gibi komşu iki kategoriyi karıştırmaktan çok daha ciddidir. Bunu yansıtmak için yazarlar "mesafe-duyarlı" bir öğrenme stratejisi tanıtıyor. Sadece doğru veya yanlış saymak yerine, kayıp fonksiyonu ayrıca tahminin sıralı BI-RADS ölçeğinde gerçek kategoriden ne kadar uzakta olduğunu ölçer. Büyük sıçramalar küçük hatalardan daha fazla cezalandırılır; bu da sistemi risk seviyeleri arasında daha yumuşak, klinik açıdan mantıklı sınırlar çizmeye ve en tehlikeli yanlış sınıflandırmalardan kaçınmaya yönlendirir.

Testlerde ne kadar iyi performans gösterdi

İki aşamada eğitilen ve ayarlanan sistem, ayrılmış bir test kümesi üzerinde değerlendirildiğinde güçlü performans sergiledi. Genel olarak BI-RADS kategorilerini yaklaşık %92 doğrulukla atadı ve sınıf dengesizliğini ve çok sınıflı zorluğu hesaba katan ölçütlerde çok yüksek puanlar elde etti. Önemli olarak, biyopsilere en sık yol açan gruplar olan BI-RADS 4 ve 5 için özellikle doğruydu. Hata raporlarının neredeyse tamamı komşu kategoriler arasındaydı; bu, radyologların karşılaştığı gerçek dünya belirsizlikleriyle uyumludur. Ek analizler, tahmin edilen olasılıkların iyi kalibre olduğunu (yani ifade edilen güvenin doğrulukla uyuştuğunu) ve benzer görevler için tasarlanmış birkaç son derin öğrenme yaklaşımını geride bıraktığını gösterdi.

Modelin nerelere baktığını görmek

Güven tıpta çok önemli olduğu için yazarlar yalnız sayısal sonuçların ötesine geçip sistemin kararlarını hangi görüntü bölümlerinin etkilediğini incelediler. Etkili bölgeleri vurgulayan Grad-CAM tekniğini kullanarak modelin tutarlı şekilde lezyonlara, yoğun doku desenlerine ve ilgisiz arka plana değil küçük parlak noktaların kümelerine odaklandığını tespit ettiler. İç özellik uzayının görselleştirmeleri, görüntülerin özellikle şüpheli ve malign incelemeleri normal ve iyi huylulardan ayırarak BI-RADS düzeyine göre belirgin şekilde gruplaştığını gösterdi. Karar-eğrisi analizi, araç klinisyenlerle birlikte kullanılırsa gereksiz müdahaleleri azaltırken kanser tespitini koruyabileceği veya iyileştirebileceği yönünde sinyal verdi; ancak bunun gerçek dünya uygulamasında test edilmesi gerekiyor.

Sonuçların ileriye dönük anlamı

Bu çalışma, konvolüsyonel ve transformer yaklaşımlarını birleştirmenin ve bazı hataların diğerlerinden daha kötü olduğunu modele açıkça öğretmenin, hem doğru hem de klinik düşünceyle daha uyumlu bir yapay zekâ asistanı üretebileceğini gösteriyor. Çalışma mütevazı, tek kaynaklı bir veri kümesiyle sınırlı olması ve dış doğrulamadan yoksun olması nedeniyle kısıtlılıklara sahip olsa da, sadece radyologlarla eşdeğer performans göstermekle kalmayıp odağını ve güvencesini de açıklayan AI sistemlerine işaret ediyor. Daha büyük ve daha çeşitli popülasyonlarda yapılan ek testlerle bu tür araçlar meme kanseri taramasında güvenilir ortaklar haline gelebilir; doğru kadınların doğru zamanda doğru takipleri almasını sağlamaya yardımcı olabilirler.

Atıf: Singh, M., Mohan, A., Tripathi, U. et al. A multi-scale hybrid ResNet–transformer with distance-aware learning for interpretable BI-RADS mammographic classification. Sci Rep 16, 10033 (2026). https://doi.org/10.1038/s41598-026-40906-8

Anahtar kelimeler: meme kanseri taraması, mammografi yapay zekâsı, BI-RADS sınıflandırması, radyolojide derin öğrenme, açıklanabilir tıbbi görüntüleme