Histopatolojide boyama normalizasyonu: Çok merkezli veri kümesi kullanılarak yöntem karşılaştırması

Hekimler ve bilgisayarlar için daha net doku görüntüleri

Patologlar mikroskop altında doku örneklerine baktığında hücrelerin sağlıklı mı yoksa kanserli mi olduğunu anlamak için ince pembe ve mor tonlara güvenirler. Günümüzde bu renkler hastane laboratuvarları arasında büyük ölçüde değişebiliyor; bu durum hem insan tanısını zorlaştırıyor hem de bu görüntüler üzerinde eğitilmiş yapay zeka araçlarını yanıltıyor. Bu çalışma, renk sorunlarının ne kadar büyük olduğunu ölçmeyi ve slayt görüntülerini önemli ayrıntıları kaybetmeden birbirine daha benzer hâle getirmede hangi bilgisayar tekniklerinin en iyi olduğunu test etmeyi amaçladı.

Renk laboratuvardan laboratuvara neden değişir

Çalışma, patolojide en yaygın kullanılan boya çifti olan hematoksilin ve eozine odaklanıyor; bunlar hücre çekirdeklerini mavimsi-mor, çevre dokuyu ise pembe boyar. Laboratuvarların dokuyu sabitleme, işleme ve boyama biçimlerindeki küçük farklılıklar ile tarayıcıların görüntü yakalama yöntemlerindeki çeşitlilik, bu renkleri dramatik şekilde kaydırabilir. Bu etkinin kontrollü bir şekilde incelenebilmesi için yazarlar aynı donör bloklardan cilt, böbrek ve kolon olmak üzere üç küçük doku örneği aldılar ve aynı boyanmamış kesitleri 11 ülkedeki 66 laboratuvara gönderdiler. Her laboratuvar rutin boyama prosedürünü uyguladı; ardından bitmiş slaytlar sayısallaştırıldı. Biyolojik materyal neredeyse özdeş olduğundan, görünümdeki her türlü fark büyük ölçüde her laboratuvarın boyama ve görüntüleme biçimini yansıtıyordu.

Renk düzeltme için benzersiz bir test ortamı oluşturmak

Ortaya çıkan görüntü koleksiyonu çarpıcı bir çeşitlilik gösterdi: aynı doku bloğundan gelen slaytlar soluktan neredeyse kara kadar değişebiliyor veya soğuk tonlardan çok sıcak tonlara kayabiliyordu. Ekip önce bu farkları her slayttaki ortalama kırmızı ve mavi renk seviyelerini ölçerek nicel olarak belirledi. Ardından her doku tipi için tek bir iyi dengelenmiş slaytı referans olarak seçtiler ve diğer tüm slaytlara sekiz farklı boyama normalizasyonu yöntemi uyguladılar. Dört yöntem, küresel renk istatistiklerini ayarlayan veya boya bileşenlerini ayırıp yeniden ölçeklendiren daha eski, matematik temelli yaklaşımlardı. Diğer dört yöntem ise sinir ağları kullanarak görüntüleri bir renk stilinden diğerine dönüştürmeyi öğrenen modern "üretken" yapay zeka temelliydi.

Hangi yöntemler renk ve yapı üzerinde en iyi sonucu verdi

Performansı değerlendirmek için yazarlar iki ana soruyu sordular: Düzeltilmiş görüntüler referans renkleriyle ne kadar yakından eşleşiyordu ve ince doku yapısını ne kadar iyi koruyordu? Renk dağılımlarını karşılaştıran çeşitli sayısal puanlar, bilgisayar görüşünden alınmış üst düzey bir görüntü benzerlik ölçüsü ve bulanıklığa veya bozulmalara duyarlı bir yapısal indeks kullandılar. Cilt, böbrek ve kolon genelinde, histogram eşleştirme adı verilen basit bir yöntem—temelde her slaytın renk dağılımını referansı taklit edecek şekilde yeniden şekillendirmek—tutarlı olarak en yakın renk eşleşmesini sağlarken yapıların büyük ölçüde korunmasını sağladı. Reinhard normalizasyonu adlı başka geleneksel bir yaklaşım da sıklıkla neredeyse aynı performansı gösterdi. Vahadane adlı üçüncü yöntem yapıların korunmasında üstün oldu ancak her şeyi pembe tona doğru itme ve mavi çekirdek boyasını bastırma eğilimindeydi.

Görüntüler insan uzmanlara ve yapay zeka araçlarına nasıl göründü

Deneyimli patologlar, yöntemlerin gerçek dünyadaki yorumlanabilirliği nasıl etkilediğini görmek için normalize edilmiş kolon slaytlarını incelediler. Önemli katmanlar ve hücre tiplerinin ayrılabilir kalıp kalmadığını, fazla veya az boyanmış orijinallerin düzelip düzelmediğini ve herhangi bir garip dijital artefaktın ortaya çıkıp çıkmadığını değerlendirdiler. Hiçbir tek yöntem her problemi çözmedi, ancak histogram eşleştirme genellikle özellikle aşırı boyanmış örneklerde belirgin artefakt olmadan eşit, referans benzeri renkler verdi. Bazı yapay zeka tabanlı yöntemler, özellikle CycleGAN ve Pix2pix’in belirli sürümleri, gerçekçi görünen sonuçlar üretti ancak bazen kan hücreleri ve arka plan bölgelerinde ince sahte yapılar veya renk bozuklukları ortaya çıkarıyordu. Ekip ayrıca normalizasyonun bir duru-mükemmel hücre tespit algoritmasının çekirdek sayımını ve büyük bir "foundation" modelin slaytları nasıl temsil ettiğini değiştirdiğini göstererek renk düzeltmenin sonraki yapay zeka davranışı üzerinde güçlü etkileri olabileceğini vurguladı.

Gelecekteki dijital tanı için bunun anlamı

Genel olarak, çalışma laboratuvarlar arasındaki renk farklılıklarının insan okuyucular ve otomatik sistemler için önemli olacak kadar büyük olduğunu ve görüntüleri daha tutarlı hâle getirmenin güvenilir, paylaşılabilir dijital patolojiye doğru atılan önemli bir adım olduğunu ortaya koyuyor. Şaşırtıcı bir şekilde, çok benzer doku içeriğine sahip bu dikkatle kontrol edilmiş veri kümesinde, her laboratuvar için tek bir slayttan çok daha fazla eğitim verisine ihtiyaç duyan daha karmaşık derin öğrenme tekniklerinden ziyade histogram eşleştirme gibi basit küresel yöntemler sıklıkla daha iyi performans gösterdi. Yazarlar, başkalarının yeni yöntemleri karşılaştırabilmesi ve gerçek dünya değişkenliğini yansıtan eğitim verileri tasarlayabilmesi için 66 merkezli veri setlerini açıkça paylaşıyorlar. Hastalar için bu alandaki ilerleme, biyopsinin hangi hastanede işlendiğine bakılmaksızın daha tutarlı tanılar sunan, bir hastaneden diğerine daha iyi taşınabilen yapay zeka sistemlerine dönüşebilir.

Atıf: Khan, U., Härkönen, J., Friman, M. et al. Staining normalization in histopathology: Method benchmarking using multicenter dataset. Sci Rep 16, 11097 (2026). https://doi.org/10.1038/s41598-026-40943-3

Anahtar kelimeler: dijital patoloji, boyama normalizasyonu, histoloji görüntüleme, tıbbi yapay zeka, renk değişkenliği