BT tarama görüntüsü kullanarak geliştirilmiş küçük hücre dışı akciğer kanseri sınıflandırması için hafif bir CNN

Neden daha hızlı akciğer taramaları önemli

Akciğer kanseri, sıklıkla geç evrede saptandığı için en ölümcül kanserlerden biridir. Doktorlar, hastalığın erken belirtilerini yakalamak için giderek daha çok ayrıntılı BT taramalarına ve akciğer dokusunun mikroskop görüntülerine dayanıyor; ancak bu görüntüleri okumak zaman alır ve her zaman mevcut olmayan uzmanlık gerektirir; özellikle daha küçük hastanelerde. Bu çalışma, MiniConvNet adlı kompakt bir yapay zeka modeli sunuyor; bu model, mütevazı bilgisayarlarda bile doktorların birkaç büyük tür küçük hücre dışı akciğer kanserini sağlıklı akciğerlerden hızlı ve doğru biçimde ayırt etmelerine yardımcı olmak üzere tasarlandı.

Akciğer kanserini erken tespit etmenin zorluğu

Çoğu akciğer kanseri ölümleri küçük hücre dışı akciğer kanserine bağlıdır; bu, adenokarsinom, skuamöz hücreli karsinom ve büyük hücreli karsinom gibi alt tipleri kapsayan genel bir terimdir. Bu alt tipler farklı davranır, farklı tedavilere yanıt verir ve görüntülerde birbirine oldukça benzer görünebilir. Günümüzde radyologlar ve patologlar bu kararları vermek için BT taramalarını ve doku preparatlarını inceliyor; ancak bu işler emek yoğundur ve uzman sayısının az olduğu yerlerde özellikle zor olabilir. Modern derin öğrenme sistemleri yardımcı olabilse de en iyi performans gösteren modellerin birçoğu büyük, yavaş ve güçlü grafik işlemcilere ihtiyaç duyduğundan günlük kliniklerde kullanımı zordur.

Daha küçük, daha akıllı bir görüntü okuyucu geliştirmek

Yazarlar, derin öğrenmenin avantajlarını korurken gereksiz ağırlığı azaltan bir sinir ağı tasarlamayı hedeflediler. MiniConvNet, görüntüleri analiz etmek için uygun olan hafif bir konvolüsyonel sinir ağı türüdür. Küçük görüntü filtreleri, basit matematiksel işlemler ve görsel bilgiyi kademeli olarak yoğunlaştıran havuzlama katmanları kullanır; ardından nihai kararı veren yoğun (dense) katmanlar gelir. Yaklaşık yarım milyon eğitilebilir parametreye ve yalnızca yaklaşık 6 megabayt dosya boyutuna sahip olan MiniConvNet, on milyonlarca parametre içerebilen ve çok daha fazla bellek ile işlem gücü gerektiren VGG, ResNet ve Inception gibi iyi bilinen modellerden çok daha küçüktür.

Modelin teste tabi tutulması

Kompakt tasarımlarının ne kadar iyi çalıştığını görmek için araştırmacılar MiniConvNet’i iki farklı akciğer görüntüsü türünde eğitti ve değerlendirdi. Birincisi, üç kanser alt tipini ve sağlıklı akciğerleri içeren 900 görüntüden oluşan bir BT tarama koleksiyonuydu. İkincisi ise benzer sınıfları kapsayan 15.000 yüksek çözünürlüklü akciğer doku mikroskop görüntüsünden oluşan çok daha büyük bir veriydi. Her iki veri kümesi için de görüntüler standart bir formata yeniden boyutlandırıldı ve modeli gerçek uygulamada karşılaşabileceği varyasyonlara karşı güçlü kılmak için çevirme, döndürme ve yakınlaştırma gibi basit dönüşümleri içeren veri arttırma uygulandı. Karşılaştırmaların adil olması için öğrenme hızı, batch boyutu ve optimizör gibi aynı eğitim ayarları MiniConvNet ve popüler referans modeller için kullanıldı.

Yeni model nasıl karşılaştırılıyor

BT taramalarında MiniConvNet, test setinde yaklaşık %96 doğruluk elde ederek yerleşik modelleri açık farkla geride bıraktı: daha büyük ağların en iyisi olan Inception V3 yaklaşık %82 doğruluğa ulaşırken, VGG16, VGG19, ResNet‑50, EfficientNet, MobileNet ve ConvNeXt gibi diğerleri daha geride kaldı. MiniConvNet, her bir sınıf için kesinlik, geri çağırma (recall) ve F1‑skorları açısından da güçlü sonuçlar gösterdi; bu da modelin yalnızca kanseri güvenilir biçimde tanımakla kalmayıp, üç ana alt tipi ve sağlıklı akciğerleri birbirinden ayırt ettiğini gösteriyor. Doku görüntüsü veri setinde model yine üst sıralarda yer aldı; test doğruluğu yaklaşık %97’ye yakın ve kategoriler arasında oldukça dengeli performans sergiledi. Beş katlı çapraz doğrulama deneyi—verinin farklı bölünmelerinde eğitimi ve testi tekrarlama—bu sonuçların şansa bağlı olmadığını, istikrarlı olduğunu doğruladı.

Hız ve gerçek klinikler için uygulanabilirlik

Doğruluğun ötesinde çalışma hız ve kaynak kullanımını vurguluyor. MiniConvNet birçok ağır modellerden daha hızlı eğitildi ve standart donanımda görüntü başına sadece birkaç milisaniye içinde tahminler sundu; aynı zamanda hem BT hem doku görüntülerini iyi işledi. Bu özellikler, daha az güçlü bilgisayarların bulunduğu ve doktorların hızlı geri bildirim ihtiyaç duyduğu bakım noktası araçları için kritik öneme sahip. Araştırmacılar ayrıca dropout adı verilen düzenleme tekniğinin eklenmesinin, modelin performansını yüksek tutarken nispeten küçük tıbbi veri kümelerinde sık görülen aşırı öğrenme (overfitting) riskini azalttığını gösterdiler.

Bu hastalar ve doktorlar için ne anlama geliyor

Günlük ifadeyle çalışma, küçük ve verimli bir yapay zeka programının çok daha büyük sistemlerle rekabet edebilecek veya onları geride bırakabilecek doğrulukla akciğer kanserlerini işaretleyip sınıflandırmaya yardımcı olabileceğini öne sürüyor. MiniConvNet, daha düşük maliyetli makinelerde çalışacak kadar kompakt olduğundan, gelişmiş bilgi işlem altyapısından yoksun hastane ve klinikler için umut verici bir aday. Bununla birlikte böyle bir aracın rutin bakımda güvenle kullanılabilmesi için daha büyük ve çeşitlendirilmiş hasta veri setleri ile gerçek dünya denemeleri hâlâ gerekli; yine de bu çalışma, hızlı, taşınabilir yapay zeka yardımcılarının uzmanlara akciğer kanserini daha erken yakalamada ve tedaviyi daha hassas biçimde uyarlamada destek olabileceği bir geleceğe işaret ediyor.

Atıf: Baqir, M.A., Qayyum, S., Ashfaq, N. et al. A lightweight CNN for enhanced non-small cell lung cancer classification using CT scan image. Sci Rep 16, 12985 (2026). https://doi.org/10.1038/s41598-026-41401-w

Anahtar kelimeler: akciğer kanseri, BT taraması, derin öğrenme, konvolüsyonel sinir ağı, tıbbi görüntüleme