Ultrasonografide fetal anatomik yapı tespiti ve sınıflandırması için çok görevli derin öğrenme ve radyomik çerçeve

Neden Erken Bebek Beyin Taramaları Önemlidir

Hem ebeveynler hem de klinisyenler, bebeğin sağlığı hakkında net ve erken yanıtlar ister. Gebeliğin ilk üç ayındaki ultrason taramaları, gelişen beyin ve yüz hakkında pencereler sunar; burada görülen ince değişiklikler gelecekteki sorunlara işaret edebilir. Ancak bu grenli görüntüleri okumak zordur ve probu tutan kişinin becerisine büyük ölçüde bağlıdır. Bu çalışma, modern yapay zekânın uzman gözüne ek bir çift olarak nasıl görev yapabileceğini, fetusun başındaki küçük yapıları otomatik olarak tespit edip sınıflandırarak daha erken ve daha tutarlı taramaları destekleyebileceğini araştırıyor.

İnsanın Gözünden Daha Fazlasını Görmek

Araştırmacılar, doktorların gebeliğin 11–14. haftaları arasında rutin olarak kontrol ettikleri dokuz ana beyin ve yüz özelliğine odaklandı; bunlar beyin parçaları, etrafındaki sıvı boşlukları ve nazal kemik ile damak gibi yüz işaretlerini içeriyor. Bu özelliklerdeki değişiklikler genetik ya da yapısal durumlardan haberdar edebilir. Geleneksel olarak, deneyimli uzmanlar bile ultrason görüntüsünde ne gördükleri konusunda anlaşamayabiliyor ve görüntü kalitesi klinikten kliniğe değişiyor. Bunu aşmak için ekip, dokuz tıp merkezinden farklı ekipman, görüntü stilleri ve fetal pozisyonları kapsayan 4.532 ultrason muayenesinden oluşan büyük ve çeşitli bir veri seti topladı. Bu çeşitlilik, tek bir hastaneye ya da cihaza fazla bağımlı olmayan otomatik bir sistemin geliştirilip test edilmesine olanak tanıdı.

Akıllı Boru Hattı Nasıl Çalışıyor

Çalışmanın kalbi, insan muayene akışını taklit eden ve sonrasında genişleten adım adım bir dijital boru hattı. İlk olarak, iki gelişmiş görüntü analiz modeli her ultrason karesini tarayıp orta beyin veya nazal kemik gibi dokuz hedef yapının etrafına kutular çiziyor. Bir model küçük nesneleri hızlıca yakalamaya yönelik hızlı bir dedektör iken, diğeri örtüşen pencereler içinde görüntüye bakarak hem yerel ayrıntıyı hem de daha geniş bağlamı yakalayan bir transformer tarzı mimariye dayanıyor. Bölgeler belirlendikten sonra, sistem her kutunun içeriğini iki tamamlayıcı yolla inceliyor: doku, parlaklık ve şekli tanımlayan yüzlerce el yapımı “radyomik” ölçüm hesaplanıyor ve derin sinir ağı piksel düzeyinde kendi desenlerini doğrudan öğreniyor.

Ham Özellikleri Net Kararlara Dönüştürmek

Binlerce sayısal ölçüm toplamak yalnızca bunlar güvenilir ve gereksiz tekrarlardan arındırılmışsa yararlıdır. Bu nedenle yazarlar üç aşamalı bir filtre uyguladı. Önce farklı merkezler ve değerlendiriciler arasında kararlı olan özellikler saklandı, sonra güçlü örtüşme gösteren ölçümler çıkarıldı ve son olarak en bilgilendirici alt kümesini seçmek için seyrekliği teşvik eden bir yöntem kullanıldı. Radyomik ve derin öğrenme kaynaklı bu rafine edilmiş özellikler, sayısal tablolara yönelik özel bir modele verildi. Bu model farklı özelliklerin nasıl etkileştiğini öğrenerek, taramadaki görünüme dayanarak her yapıyı normal, sınırda ya da belirgin şekilde anormal gibi klinik açıdan anlamlı kategorilere ayırmayı sağladı.

Sistemin Performansı Nasıl Oldu

Yaklaşımın eğitildiği verilerin ötesinde dayanıp dayanmayacağını test etmek için ekip performansı dahili test görüntülerinde ve ayrı bir merkezden yaklaşık 500 taramadan oluşan harici bir sette değerlendirdi. Transformer tabanlı dedektör, doğru anatomik bölgeleri bulmada özellikle isabetli olduğunu kanıtladı ve genellikle uzmanların etiketlediği kutularla yüksek örtüşme sağladı. Bir yapının normal olup olmadığını değerlendirmede ise radyomik ve derin öğrenme desenlerini birleştiren modeller, yalnızca tek bir kaynağa dayanan modelleri tutarlı şekilde geride bıraktı. En zorlu harici test setinde, en iyi birleşik modeller yapıları yaklaşık %96 oranında doğru sınıflandırdı ve kısalmış nazal kemik veya beyin sapı arkasındaki daralmış sıvı boşlukları gibi ince anormallikleri ayırt etmede yüksek yetenek gösterdi.

Bu, Prenatal Bakım İçin Ne Anlama Gelebilir

Halk açısından mesaj şudur: Bilgisayarlar artık erken gebelik taramalarını daha tutarlı ve tek bir uzmanın yargısına daha az bağımlı hâle getirmeye yardımcı olabilir. Fetal beyin ve yüzdeki hassas yapıları otomatik olarak bulup derecelendirerek, bu çok adımlı sistem yoğun kliniklerde ve farklı ekipmanların bulunduğu ortamlarda bile potansiyel sorunların daha erken ve daha objektif tespiti için destek sağlayabilir. Yazarlar nadir ve alışılmadık durumların hâlâ zorluk teşkil ettiğini ve daha fazla gerçek dünya testine ihtiyaç olduğunu belirtse de, elde edilen sonuçlar dikkatle tasarlanmış ve çok merkezli olarak eğitilmiş yapay zekâ araçlarının bir gün birinci trimester taramalarında rutin iş ortakları olabileceğini; ebeveynlere daha net bilgi, klinisyenlere ise kritik erken dönemde daha güçlü karar destekleri sunabileceğini gösteriyor.

Atıf: Zhou, X., Wan, J., Sun, F. et al. A multi-task deep learning and radiomics framework for fetal anatomical structure detection and classification in ultrasound imaging. Sci Rep 16, 11586 (2026). https://doi.org/10.1038/s41598-026-41635-8

Anahtar kelimeler: fetal ultrason, prenatal tarama, derin öğrenme, radyomik, beyin ve yüz gelişimi