Açıklanabilir ve güvenli federated öğrenme ile gizliliği güçlendiren hafif ölçekli CNN kullanarak cilt kanseri sınıflandırmasının gizliliği

Neden Daha Akıllı Cilt Kanseri Taramaları Önemli

Cilt kanseri dünya çapında en yaygın kanser türüdür ve erken yakalandığında hayat kurtarabilir. Ancak doğru teşhis hâlâ büyük ölçüde uzmanların ben ve leke görüntülerini dikkatle incelemesine dayanıyor. Birçok klinikte bu uzmanlık eksik ve daha iyi bilgisayar araçları eğitmek için hasta görüntülerinin büyük koleksiyonlarını paylaşmak ciddi gizlilik endişelerini doğuruyor. Bu çalışma, hastanelerin ham hasta görüntülerini hiç paylaşmadan güçlü bir cilt kanseri tespit sistemi eğitmelerine izin veren ve aynı zamanda doktorlara sistemin neye baktığını açıkça gösteren görsel açıklamalar sunan yeni bir yaklaşım getiriyor.

Sırları Paylaşmadan Birlikte Çalışmak

Temel fikir, federated learning adı verilen bir eğitim yöntemidir. Cilt görüntülerini merkezi bir sunucuya göndermek yerine her hastane kendi görüntülerini yerinde tutar ve aynı bilgisayar modelinin yerel bir kopyasını eğitir. Sadece öğrenilen “uzmanlık” (model güncellemeleri) merkezi sunucuya gönderilir, burada bunlar daha iyi bir küresel modele birleştirilir ve ardından tüm hastanelere geri gönderilir. Bu çalışmada yazarlar, modelin çeşitli vakalardan yararlanmasını sağlamak için bu şekilde işbirliği yapan birkaç hastaneyi, cilt lezyonlarına ait büyük bir açık veri kümesi üzerinde simüle ediyor; böylece hastaların görüntüleri hiçbir zaman kurumlarını terk etmiyor.

Hafif Ama Keskin Bakışlı Bir Görüntü Okuyucu

Bu işbirliğini pratik kılmak için ekip, yeni bir hafif çok ölçekli konvolüsyonel sinir ağı (LWMS‑CNN) tasarladı. Birçok popüler görüntü modeli çok büyük ve hastane ağları üzerinden iletmek için yavaştır; oysa bu model bir milyondan daha az eğitilebilir parametre kullanır, bu da bilinen mimarilerin gerektirdiklerinin çok küçük bir kısmıdır. Yapısı, her cilt görüntüsünü aynı anda birkaç ayrıntı seviyesinde işler; ince kenarlar ve dokulardan daha geniş desenlere kadar, sonra bu ipuçlarını birleştirir. Bu kompakt tasarım hem doğru hem de verimli olduğunu kanıtladı; doğruluk, kesinlik ve F1‑skor gibi standart ölçütlerde ResNet ve DenseNet gibi daha ağır modelleri geride bıraktı ya da onlarla eşleşti ve aynı zamanda çok daha küçük ve hızlıydı — bu, mütevazı hastane sunucularında veya hatta uç cihazlarda kullanım için önemli.

Gizliliği Şifreleme ile Sağlamak

Federated learning ham görüntülerin gönderilmesini önlese de, paylaşılan model güncellemeleri sofistike saldırılar altında hâlâ bilgi sızdırabilir. Bu boşluğu kapatmak için yazarlar tüm alışverişi homomorfik şifreleme ile sarıyor; bu, sunucunun model güncellemelerini şifreli haldeyken toplamasına ve ortalamasına olanak veren bir kriptografik tekniktir. Hastaneler değişikliklerini göndermeden önce şifreler; sunucu yalnızca karıştırılmış sayılar görür, ancak yine de birleşik güncellemeyi hesaplayabilir. Sadece güvenilir bir taraf toplu sonucu çözüp açabilir. Testler, bu korumanın performansı neredeyse etkilemediğini gösterdi: doğruluk yalnızca yaklaşık 0,3 yüzdelik puan düştü (yüzde 98,62’den 98,34’e), bu da gizliliğin ve sıkı tıbbi veri düzenlemelerine uyumun büyük ölçüde güçlendirilmesi için küçük bir bedel sayılır.

Klinisyenler için Kara Kutuyu Açmak

Tıp alanında yüksek doğruluk tek başına yeterli değildir; klinisyenler bir algoritmanın belirli bir kararı neden verdiğini anlamalıdır. Bu nedenle çalışma, eğitilmiş modelin üzerine açıklanabilir‑Yapay Zeka araçları ekliyor. Bunlardan biri olan SHAP, hangi görüntü parçalarının bir kararı en çok etkilediğini vurgular; her piksel yaması bir “oyuncu” gibi ele alınır. Diğeri Grad‑CAM, lezyonun üzerine bir ısı haritası bindirerek ağın örneğin bir noktayı malign veya benign olarak sınıflandırırken nerelere odaklandığını gösterir. Bu görünümler birlikte dermatologların modelin düzensiz sınırlar veya renk değişimleri gibi anlamlı yapılara mı baktığını yoksa saç, aydınlatma artefaktları ya da arka plan cildi gibi anlamsız unsurlara mı odaklandığını kontrol etmelerini ve belirsiz veya hatalı vakaları incelemelerini sağlar.

Laboratuvar Testlerinden Gerçek Dünyadaki Kliniklere

Şifreli LWMS‑CNN federated sistemi HAM10000 cilt lezyonu veri kümesi üzerinde eğitildi ve değerlendirildi, ardından kamera, lezyon türleri ve hasta popülasyonları açısından farklılık gösteren iki ek koleksiyon olan ISIC 2019 ve PAD‑UFES‑20 üzerinde test edildi. Üçü genelinde yüksek doğruluklar elde etti; bu, yaklaşımın tek bir veri kaynağının ötesinde iyi genelleştiğini düşündürüyor. Yazarlar ayrıca farklı “hastanelerin” farklı vaka karışımları gördüğü daha zor ve daha gerçekçi senaryoları keşfetti ve model güncellemelerini birleştirmenin birkaç yolunu karşılaştırdı; standart FedAvg yöntemi en iyi sonucu verdi. Deneyler fiziksel olarak ayrı hastaneler yerine simüle edilmiş çok istemcili bir ortamda çalıştırılmış olsa da, sonuçlar kompakt bir modelin, gizliliği koruyan eğitimin ve açık görsel açıklamaların tek bir çerçevede birleştirilebileceğini gösteriyor. Hastalar için bu, daha doğru, daha geniş erişilebilir ve gizliliğe daha saygılı — aynı zamanda doktorları karar sürecinde tutmaya devam eden — gelecekteki cilt kanseri taramalarına işaret ediyor.

Atıf: Sayeed, A.S.M., Birahim, S.A., Ullah, M.S. et al. Explainable and secure federated learning for privacy-enhancing skin cancer classification using a lightweight multi-scale CNN. Sci Rep 16, 11414 (2026). https://doi.org/10.1038/s41598-026-41360-2

Anahtar kelimeler: cilt kanseri tespiti, federated öğrenme, tıbbi veri gizliliği, açıklanabilir yapay zeka, homomorfik şifreleme