Retinitis pigmentosa sınıflandırmasına düzgün OWA operatörlerinin uygulanması

Görme için neden önemli

Genetik bir göz hastalığı nedeniyle görmenin yavaşça kaybedilmesi ürkütücü bir olasılıktır ve bu tür durumların erken teşhisi görmeyi korumak açısından kritik öneme sahiptir. Bu çalışma, modern yapay zekânın doktorların retinitis pigmentosa da dâhil olmak üzere birkaç nadir ama ciddi retina hastalığını, gözün arkasının ayrıntılı fotoğraflarını kullanarak ayırt etmelerine nasıl yardımcı olabileceğini araştırıyor. Birçok farklı bilgisayar modelinin yargılarını birleştirmenin daha akıllı bir yolunu bularak, araştırmacılar bilgisayarların hasta görüntüleri az olsa bile bu hastalıkları çok daha güvenilir biçimde tespit edebildiğini gösteriyorlar.

Göz fotoğraflarında hastalığı görmek

Retinitis pigmentosa, retinadaki ışığı algılayan hücreleri yavaşça yok eden genetik koşulların bir grubudur. İnsanlar genellikle ilk olarak gece görüşünde zorluk yaşadıklarını fark eder, ardından yan görme kaybı olur ve bazıları sonunda körlüğe kadar ilerler. Kon-rod distrofisi ve Usher sendromu gibi ilişkili bozukluklar göz görüntülerinde benzer görünebilir ve ince görsel desenleri paylaşabilir. Bu çalışmada, Polonya’nın Lublin kentindeki bir tıp merkezindeki uzmanlar bu koşullara sahip 186 hastadan ultra geniş alan retina görüntüleri topladı; sağlıklı gözlere ait görüntüler ise ayrı bir veritabanından elde edildi. Sonuç beş sınıflı bir sınıflandırma görevidir: iki genetik retinitis pigmentosa türü, kon-rod distrofisi, Usher sendromu ve sağlıklı kontroller. Veri kümesi küçüktü ve dengesizdi; bu, bazı kategorilerde diğerlerine göre çok daha fazla örnek olması nedeniyle gerçek dünyadaki nadirliği yansıtıyordu ve görevi özellikle zorlaştırıyordu.

Makinelere retinayı okumayı öğretmek

Bu görüntüleri yorumlamak için yazarlar, günlük fotoğraflar için orijinal olarak geliştirilen güçlü görüntü tanıma sistemlerine yöneldi: konvolüsyonel sinir ağları ve daha yeni dönüştürücü tabanlı modeller. EfficientNet, ResNet, VGG, Inception ve iki Vision Transformer sürümü de dahil olmak üzere birkaç mimari test ettiler. Her ağ önce genel amaçlı büyük bir görüntü veritabanında eğitildi, ardından retina görüntüleri üzerinde ince ayar yapıldı; bu strateji aktarım öğrenmesi olarak bilinir. Görüntüleri çevirme, döndürme ve hafifçe bozma gibi standart veri arttırma yöntemleri modellerin farklı görüntüleme cihazları ve hasta anatomisiyle başa çıkmasına yardımcı oldu. Bu gelişmiş tekniklere rağmen, en iyi tek ağ test vakalarının yalnızca yaklaşık üçte ikisini doğru sınıflandırdı ve performans en nadir hastalık kategorilerinde belirgin şekilde daha kötüydü.

Birden çok modelin birlikte oy kullanmasına izin vermek

Herhangi bir tek ağa güvenmek yerine, araştırmacılar sordular: ya her modeli bir paneldeki uzman gibi kabul edip görüşlerini birleştirseydik ne olurdu? Bu fikir, toplama veya topluluk öğrenmesi olarak bilinir; makine öğrenmesinde yaygındır ama genellikle basit oylama veya ortalama ile uygulanır. Burada ekip, Sıralı Ağırlıklı Ortalama (OWA) operatörleri olarak bilinen daha esnek bir araç ailesi kullandı. Her olası tanı için OWA, tüm ağlar tarafından üretilen olasılıkları en yüksekten en düşüğe sıralar ve ardından dikkatle seçilmiş bir ağırlık setiyle karıştırır. Bu, daha emin modellere daha fazla etki verirken diğerlerini de hesaba katar. Bu toplama tek başına, en iyi bireysel model için yaklaşık %68 olan genel doğrulukta çarpıcı bir sıçrama yarattı; ağların çıktıları temel bir OWA şemasıyla birleştirildiğinde doğruluk %93’ün üzerine çıktı.

Zor durumlar için oylamayı yumuşatmak

Çalışmanın ana yeniliği, Düzgün (Smooth) OWA adlı rafine bir sürüm oldu. Her modelin olasılığını izole olarak ele almak yerine, Smooth OWA her değeri, ağırlıklı karıştırmadan önce komşularıyla nazikçe “yumuşatır”. Yumuşatma kuralları, normalde hassas alan hesapları için kullanılan Newton–Cotes kuadraturları olarak bilinen klasik sayısal integrasyon formüllerinden ödünç alınmıştır. Bu bağlama çevrildiğinde, modeller arasındaki kararsız veya sınırda kalan tahminleri dengelemeye yardımcı olurlar. Ek kazanım standart OWA’ya göre mütevazı olsa da—doğrulukta yaklaşık yarım yüzdelik puan düzeyinde—tekrar eden testlerde tutarlıydi ve performansı yaklaşık %94’e çıkardı. Kritik olarak, karışıklık matrisleri beş sınıfın tamamında yanlış sınıflandırmaların keskin şekilde azaldığını gösterdi; özellikle en nadir hastalıklar için iyileşme belirgindi. Bazı gruplarda doğru tanı oranları, en iyi tek modeldeki yaklaşık üçte ikiden Smooth OWA ile %90’ın çok üzerine çıktı.

Hastalar ve doktorlar için anlamı

Uzman olmayan bir kişi için ana mesaj, tek bir yapay zeka modelinin kusursuz olması gerekmediğidir; klinik açıdan kullanışlı olmak için bir araya getirilebilir. Birkaç iyi ama kusurlu modeli dikkatle birleştirip çıktıları nazikçe stabilize ederek, araştırmacılar bir dizi “oldukça iyi” aracı çok güçlü bir karar destek aracına dönüştürdüler. Smooth OWA yaklaşımı küçük, dengesiz bir veri kümesini işleyebildi ve yine de başka türlü ulaşılması zor olacak performans düzeylerine ulaştı. Çalışma hâlâ araştırma aşamasında olup gerçek hasta bakımına rehberlik etmeden önce daha büyük, çok merkezli çalışmalarda doğrulanması gerekiyor; yine de açık bir ileri yol öneriyor: nadir göz hastalıkları için gelecek tanı sistemleri tek bir algoritmaya değil, kolektif yargısı hem daha doğru hem de daha güvenilir olan koordine bir algoritmalar “konseyi”ne dayanabilir.

Atıf: Rachwał, A., Rachwał, A., Powroźnik, P. et al. Application of smooth OWA operators to classification of retinitis pigmentosa. Sci Rep 16, 11995 (2026). https://doi.org/10.1038/s41598-026-41840-5

Anahtar kelimeler: retinitis pigmentosa, derin öğrenme, retina görüntüleme, topluluk yöntemleri, tıbbi tanı yapay zekası