Tüm kanserler için dondurulmuş kesit sınıflandırması: zayıf denetim altında uzmanların yumuşak karışımını kullanan bir görüntü dönüştürücü

Ameliyathanedeki önemi

Cerrahlar şüpheli bir tümörü çıkarırken, tüm kanser dokusunun alınmış olup olmadığını öğrenmek için çoğu zaman sadece dakikaları vardır. Patologlar, hızla dondurulmuş bir doku kesitini incelemek üzere acele eder ve hasta hâlâ ameliyat masasında iken bir yanıt verirler. Bu yüksek baskılı süreç, bulanık lamlar, belirgin olmayan tümörler ve basit zaman kısıtları gibi etkenlerle zorlaşabilir. Burada anlatılan çalışma, gerçek gündelik hastaneler için uygun ekipman kullanarak, yapay zekâ (YZ) sisteminin birçok farklı organdan gelen zararsız ile tehlikeli dokuları hızlı ve güvenilir biçimde ayırt etmesine nasıl yardımcı olabileceğini araştırıyor.

Doğasında zorluklar barındıran hızlı bir test

Dondurulmuş kesit analizi modern cerrahinin temel uygulamalarındandır: ince bir doku parçası dondurulur, dilimlenir, boyanır ve mikroskop altında iyi huylu mu yoksa kötü huylu mu olduğuna ve cerrahi marjın temiz olup olmadığına karar vermek için incelenir. Kalıcı laboratuvar lamlarından farklı olarak dondurulmuş kesitler genellikle çatlaklar, katlanmalar ve düzensiz boyanma gibi bozukluklardan etkilenir. Sınır vakalarda patologlar arasında görüş ayrılıkları olabilir ve zaman her zaman kısıtlıdır. Bu sorunlar, yalnızca birkaç uzmanın birçok kanser türüne bakmak zorunda olduğu daha küçük veya yoğun hastanelerde özellikle ciddidir. Yazarlar, sağlam bir bilgisayar destekli asistanın dondurulmuş kesit kararlarını daha tutarlı, daha hızlı ve daha geniş erişilebilir kılabileceğini savunuyor.

Geniş kapsamlı gerçek dünya görüntü seti oluşturmak

Böyle bir asistanı eğitmek için ekip, büyük bir hastanedeki rutin ameliyatlardan elde edilen dijital görüntülerin geniş bir koleksiyonunu bir araya getirdi. 2.600’den fazla hastadan 4.754 adet dondurulmuş tam lam görüntüsü topladılar ve sonra ciddi artefaktlar veya kesin olmayan tanılar içeren lamları çıkarmak için sıkı kalite kuralları uyguladılar. Nihai veri seti, hızlı dondurulmuş okumayla daha sonra yapılan kalıcı kesit raporu arasındaki uzlaşmaya dayalı olarak basitçe iyi huylu veya kötü huylu olarak etiketlenmiş 4.667 lam içeriyordu. Lamlar; akciğer, meme, tiroid, lenf düğümleri ve kadın üreme organları gibi yaygın bölgelerin yanı sıra mide, karaciğer ve deri gibi daha az sık görülen yerleri içeren karışık bir grubu kapsıyordu. Veriler, aynı hastaya ait görüntülerin hiçbir zaman birden fazla grupta yer almayacak şekilde eğitim, ince ayar ve son test için ayrı gruplara ayrıldı.

YZ’nin zayıf ipuçlarından nasıl öğrendiği

Araştırmacılar modellerini, büyük görüntülerde desenleri bulmada başarılı olan Görüntü Dönüştürücü (Vision Transformer) adlı sinir ağı sınıfı üzerine kurdular. Her büyük doku görüntüsü, standart grafik donanımında işlenebilmesi için otomatik olarak birçok küçük karoya ve yamaya bölündü. Anahtar yenilik, ağın bir bölümünün “uzmanların yumuşak karışımı” ile değiştirilmesiydi; her biri farklı görsel desenlere odaklanan birçok küçük uzman dalından oluşan bir yapı. Uzmanları açıp kapatmak yerine sistem katkılarını pürüzsüz biçimde harmanlıyor; bu da eğitimi stabilize ediyor ve sınırlı veriden daha iyi yararlanmayı sağlıyordu. Patologlar tümör çevresini dikdörtgenlerle veya sınırlarla işaretlemediği için model zayıf denetimle öğrenmek zorundaydı: yalnızca bir lamın iyi veya kötü huylu olduğu bilgisine sahipti. Çoklu örnek öğrenme (multiple-instance learning) stratejisi, kötü huylu bir lam içindeki en şüpheli yamaları pozitif örnekler olarak öne çıkararak ağın en bilgilendirici bölgelere doğru kademeli olarak odaklanmasına izin verdi.

Sistemin pratikteki performansı

669 görülmemiş lam üzerinde test edildiğinde, YZ iyi huylu ile kötü huylu dokuyu yüksek doğrulukla ayırt etti. Genel olarak vakaların yaklaşık %90’ını doğru sınıflandırdı ve olasılık eşiklerine göre iki grubu ayırmada mükemmele yakın bir yetenek gösterdi. Gerçekten kötü huylu bir lâmı işaretleme olasılığı olan duyarlılık yaklaşık beşte dörttü; iyi huylu bir lâmı güven verici şekilde iyi huylu olarak çağırma olasılığı olan özgüllük ise daha yüksekti. Önemli olarak, performans organlar arasında da güçlü kaldı: test setindeki tüm kötü huylu akciğer ve meme vakalarını kusursuz biçimde tespit etti ve kadın adnexal tümörler ile karışık “diğer” organlar gibi daha nadir gruplarda da iyi performans sergiledi. Lamların üzerine bindirilen renkli ısı haritaları, modelin dikkati uzman patologların tümör olarak tanıdığı bölgelere yoğunlaştığını; lenf düğümlerindeki metastatik odaklar da dahil olmak üzere normal yapıları büyük ölçüde görmezden geldiğini ortaya koydu. Sistem verimli çalıştı; 5 GB’dan az bellek gerektirdiği için pahalı kümeler yerine yaygın olarak bulunan grafik kartlarında kullanılmaya uygun hale geldi.

Sınırlamalar, hatalar ve geliştirme alanları

Yazarlar YZ’nin takıldığı yerleri de incelediler. Yanlış negatif sonuçlar genellikle son derece seyrek kanser hücreleri, bulanık tarama alanları veya kötü huylu yuvaları gizleyen yoğun iltihaplanma içeren olgularda görüldü. Yanlış pozitifler ise mikroskop altında kanseri taklit eden reaktif aşırı büyümeler veya bozulmuş dondurulmuş doku gibi iyi huylu durumlarda ortaya çıkma eğilimindeydi. Rutin cerrahi iş akışlarında tümör bölgelerinin ayrıntılı sınır çizimleri yer almadığından ekip, ısı haritalarının uzman işaretlemeleriyle ne ölçüde örtüştüğünü nicel olarak değerlendiremedi ve bunun yerine nitel bir incelemeye dayandı. Dil veya bazı yumuşak doku tümörleri gibi bazı organ tipleri hâlâ yetersiz temsil ediliyordu; bu da sistemin kapsamını genişletmek için daha büyük, çok merkezli koleksiyonların gerekli olacağını gösteriyor.

Hastalar ve hastaneler için olası etkiler

Genel olarak çalışma, dikkatle tasarlanmış bir YZ sisteminin cerrahi patolojinin temel bir görevinde — gerçek zamanlı olarak bir dokunun iyi huylu mu yoksa kötü huylu mu olduğuna karar verme — doğru ve yorumlanabilir şekilde yardımcı olabileceğini gösteriyor. Sadece lam düzeyinde etiketlerle çalışması, yaygın donanımda çalışabilir olması ve insan incelemesi için şüpheli bölgeleri vurgulaması sayesinde model, daha tutarlı dondurulmuş kesit kararlarına pratik bir yol sunuyor. Hastalar için bu, tek bir operasyonda daha iyi bilgilendirilmiş cerrahiye dönüşebilir; uzman kadro sınırlı olan hastaneler içinse ileri dijital araçların yüksek kaliteli kanser bakımını daha adil biçimde sunmaya yardımcı olacağı bir geleceğe işaret ediyor.

Atıf: Wu, J., Yang, M., Li, J. et al. Pan-cancer frozen section classification using a soft mixture of experts vision transformer under weak supervision. Sci Rep 16, 10297 (2026). https://doi.org/10.1038/s41598-026-40924-6

Anahtar kelimeler: dondurulmuş kesit, sayısal patoloji, kanser tanısı, görüntü dönüştürücü, zayıf denetimli öğrenme