Kombine CNN ve transformer içeren hibrit derin öğrenme yaklaşımıyla BT taramalarını kullanarak akciğer kanseri sınıflandırması

Bu araştırma hastalar ve aileleri için neden önemli

Akciğer kanseri, çoğunlukla çok geç teşhis edildiği için dünya çapında en ölümcül kanserlerden biridir. Bu çalışma, gelişmiş bilgisayarlı görü tekniklerinin doktorların akciğer BT taramalarını daha doğru ve tutarlı okumalarına nasıl yardımcı olabileceğini araştırıyor; böylece akciğerdeki şüpheli alanlar daha erken ve daha az hata ile işaretlenebilir, bu da daha hızlı ve bilinçli klinik kararları destekleyebilir.

Dijital gözlerle göğüs içini görmek

Doktorlar genellikle akciğerde kanseri işaret edebilecek küçük büyümeleri aramak için BT taramalarına güvenir. Bu büyümeler, nodül olarak adlandırılır ve özellikle hastalığın erken evrelerinde çok küçük ve sinsi olabilir. Normal akciğer dokusu, zararsız nodüller ve tehlikeli tümörler, deneyimli uzmanlara bile şaşırtıcı derecede benzer görünebilir. Görüntü kalitesindeki küçük değişiklikler, arka plan dokusu veya taramdaki gürültü farkı daha da örtbas edebilir. Bu nedenle bazı kanserler atlanırken, diğer bulgular gereksiz takip testlerine yol açan yanlış alarmlara neden olur.

Bilgisayarlara akciğer taramalarında desenleri öğretmek

Araştırmacılar, akciğer BT görüntülerini normal, iyi huylu (kanser olmayan) ve kötü huylu (kanserli) olarak sınıflandırmaya yardımcı olmak için C-Swin adını verdikleri bir derin öğrenme sistemi tasarladı. Derin öğrenme sistemleri, elle yazılmış kurallara dayanmaktansa çok sayıda örnek görüntüden doğrudan öğrenir. C-Swin iki güçlü fikri birleştirir. Konvolüsyonel sinir ağı (CNN) olarak bilinen bir ağ türü, bir nodülün yapısını ortaya çıkaran kenarlar, dokular ve küçük şekiller gibi ince ayrıntılara odaklanır. Aynı zamanda dil çevirisinde kullanılan araçlardan esinlenen bir transformer modülü, görüntüye daha geniş bir açıdan bakar ve bölgelerin tüm akciğer içinde birbirleriyle nasıl ilişkili olduğuna dikkat eder.

Görüntüde gerçekten önemli olana odaklanmak

BT taramalarından en iyi şekilde yararlanmak için ekip, modelin ilgisiz arka plan dikkati yerine ilgili bölgelere yoğunlaşmasını sağlayan özel bir dikkat mekanizması ekledi. BT görüntüsü küçük yama veya pencerelere bölünür. Bu pencereler içinde model, dokunun sağlıklı olup olmadığını değerlendirmek için en faydalı bilgiyi taşıyan alanların hangileri olduğunu öğrenir. Pencereleri farklı yönlerde kaydırıp birleştirerek, ağ komşu bölgeler arasındaki ilişkileri korur ve hem yakın plan ayrıntıları hem de akciğerlerdeki daha uzun menzilli yapıları yakalar. Ek bir kapama (gating) bileşeni, sistemin ince fakat önemli desenleri vurgulamasına ve daha az yardımcı sinyalleri bastırmasına yardımcı olarak zararsız nodüller ile tehlikeli olanlar arasındaki ayrımı rafine eder.

Sistemi teste sokmak

Yazarlar, C-Swin’i Irak hastanelerinden toplanan, sağlıklı akciğerler, iyi huylu nodüller ve kötü huylu vakaları içeren herkese açık bir BT veri seti kullanarak eğitti ve değerlendirdi. Tıbbi veri setleri genellikle küçük olduğundan, eğitim setini çevirme ve döndürme gibi veri artırma yöntemleriyle genişlettiler; böylece daha çeşitli taramaları taklit ettiler. Titiz ön işleme ve eğitim sonrası model görüntüleri yaklaşık %96 doğrulukla doğru sınıflandırdı ve kaçırılan kanserlerle yanlış alarmları dengeleyen ölçümler olan precision, recall ve F1-skorlarında da benzer derecede yüksek puanlar elde etti. Verinin farklı bölünmelerini kullanarak tekrarlanan testlerde sonuçlar istikrarlı kaldı ve istatistiksel kontroller C-Swin’in birkaç mevcut derin öğrenme yaklaşımından anlamlı şekilde daha iyi performans gösterdiğini ortaya koydu.

Gelecekte bakım için bunun anlamı ne olabilir

Bu çalışma bir radyoloğun değerlendirmesinin yerini almasa da, yerel ve küresel görüntü analizinin dikkatle tasarlanmış bir kombinasyonunun bilgisayarların uzmanların en önemli gördüğü aynı akciğer bölgelerine odaklanmasına yardımcı olabileceğini gösteriyor. Modelin kararlarını etkileyen görüntü alanlarını vurgulayan Grad-CAM görselleştirmeleri, C-Swin’in ilgisiz arka plan yerine lezyon bölgelerine odaklanma eğiliminde olduğunu öne sürüyor. Yazarlar çalışmanın tek, görece küçük bir veri setine dayandığını belirtiyor; bu nedenle farklı hastanelerde ve farklı tarayıcılarda daha geniş testler hâlâ gerekiyor. Daha büyük ve daha çeşitli tarama koleksiyonlarında doğrulanırsa, bu tür sistemler okuma odasında klinisyenlere vaka önceliklendirmede, gözden kaçırmaları azaltmada ve potansiyel olarak akciğer kanserinin daha erken tespitini desteklemede faydalı yardımcılar haline gelebilir.

Atıf: Yousafzai, S.N., Nasir, I.M., Mansour, S. et al. A hybrid deep learning approach integrating CNN and transformer for lung cancer classification using CT scans. Sci Rep 16, 15420 (2026). https://doi.org/10.1038/s41598-026-41161-7

Anahtar kelimeler: akciğer kanseri, BT görüntüleme, derin öğrenme, tıbbi yapay zekâ, görüntü sınıflandırma