Optimumlaştırılmış derin öğrenme tekniği kullanılarak geliştirilmiş diyabetik retinopati tespiti yaklaşımı

Göz hasarını erken fark etmenin önemi

Diyabet, gözün arkasındaki küçük kan damarlarına sessizce zarar vererek zamanla görme bulanıklığına veya körlüğe yol açabilir. Göz doktorları bu durumu—diyabetik retinopati olarak adlandırılan—retinanın ayrıntılı fotoğraflarını inceleyerek tespit edebilir. Ancak milyonlarca kişi risk altında ve uzman sayısı yetersiz olduğu için birçok hasta zamanında taranmıyor. Bu çalışma, dikkatle tasarlanmış bir yapay zekâ sisteminin retina fotoğraflarını daha doğru ve güvenilir şekilde okuyarak görmeyi kurtarabilecek kadar erken sorunları tespit etmeye nasıl yardımcı olabileceğini inceliyor.

Göz fotoğrafları bir veri altın madeni gibi

Fundus görüntüleri olarak bilinen retina fotoğrafları basit karelerden çok daha fazlasıdır. Işığın göz katmanları tarafından nasıl emildiğini, yansıtıldığını ve saçıldığını yakalar; damarları, küçük sızıntıları ve skarları açığa çıkarır. Bu desenler diyabetik hasar hakkında zengin ipuçları taşır, ancak aynı zamanda karmaşıktır: görüntüler parlaklık, odak, kamera türü ve hasta geçmişine göre değişir. Önceki bilgisayar programları ya el ile tasarlanmış ölçümlere dayanıyordu ki bunlar ince değişiklikleri atlayabilir, ya da güçlü olabilen fakat görüntü kalitesi veya klinik koşullar farklılaştığında aşırı uyuma eğilimli derin öğrenme ağlarına dayanıyordu. Zorluk, bu dağınık, yüksek boyutlu veriden kırılgan veya öngörülemez hale gelmeden öğrenebilen otomatik bir sistem inşa etmektir.

Sinir ağını ana uyarı işaretlerini görmeye öğretmek

Yazarlar önce modern bir derin öğrenme modeli olan EfficientNet‑B0’ı her retina görüntüsü için güçlü bir “özellik çıkarıcı” olarak kullanır. Doktorların her kanamayı veya yağlı depozitoyu elle işaretlemesi yerine ağ, hastalıklı ve sağlıklı gözlerde tutarlı olarak görülen soyut görsel desenleri öğrenir. Sistemi daha dayanıklı kılmak için tüm görüntüler temizlenir ve standartlaştırılır: yeniden boyutlandırılır, renk yerine yapıyı vurgulamak için gri tona çevrilir ve küçük lekeler ile damar ayrıntılarını keskinleştirmek için iyileştirilir. Gri tonlamalı görüntüler, önceden eğitilmiş ağın işleyebileceği bir formata dönüştürülür ve ağın son katmanları, iç filtrelerinin gündelik nesneler yerine retina yapılarına güçlü yanıt vermesi için nazikçe ince ayar yapılır.

Sanal bir sürünün en belirleyici ipuçlarını seçmesine izin vermek

Derin öğrenmeden sonra bile her görüntü binin üzerinde sayısal özellikle temsil edilir; bunların çoğu gereksizdir. Bunların hepsini bir sınıflandırıcıya vermek öğrenmeyi yavaşlatır ve hastalık evreleri arasındaki ayrımı bulanıklaştırabilir. Bunu ele almak için ekip, çekirge hareketlerinden esinlenen doğa temelli bir optimizasyon yöntemine yönelir. Dinamik çekirge optimizasyon algoritmasında her “çekirge” farklı bir özellik alt kümesini temsil eder. Çok sayıda yineleme boyunca sürü, genişçe dolaşma ile umut vaat eden bölgeleri sıkılaştırma arasındaki dengeyle kombinasyonları keşfeder. Kontrol parametrelerinin zaman içinde değişmesi, sürünün çok erken sıkışıp kalmasını engeller. Sonuç, 1.280 yerine yaklaşık yüz civarında, mikroanevrizma kümeleri, eksüdat yamaları veya damar şişmesi desenleri gibi önemli işaretleri hâlâ kodlayan çok daha küçük ve bilgi yüklü bir özellik kümesidir.

Birçok basit görüş daha güçlü bir tanı sağlar

Tek bir modele güvenmek yerine sistem, birkaç farklı sınıflandırıcının yığılı bir topluluğunu (stacked ensemble) kullanır. Bir destek vektör makinesi, bir Bayesian ağ ve bir karar ağacı, optimize edilmiş özellik kümesini alır ve bir gözün belirli bir hastalık evresine ait olma olasılığını kendi bakış açılarıyla verir. Bu “görüşler” daha sonra her temel modeli duruma göre nasıl ağırlıklandıracağını öğrenen LightGBM adlı hızlı bir gradient‑boosting yöntemiyle birleştirilir. Bu katmanlı tasarım, herhangi bir modelin kör noktalarının baskın olma olasılığını azaltır. Yazarlar çerçevelerini EyePACS ve APTOS koleksiyonları da dahil olmak üzere büyük halka açık retina görüntüsü veri setleri üzerinde test eder ve onu önde gelen derin öğrenme hatları ve diğer biyolojik esinli optimizatörlerle karşılaştırır.

Sistemin gerçek dünya benzeri testlerde ne kadar iyi performans gösterdiği

Deneyler boyunca dinamik çekirge‑ensemble çerçevesi rakip yöntemleri tutarlı biçimde geride bırakır. Temel kıstaslarda yaklaşık %94–95 doğruluk, kaçırılan vakalar ve yanlış alarmları dengeleyen yüksek bir F1‑skoru ve sağlıklı ile hastalıklı gözler arasında güçlü ayrım gösteren 0,96 alan altında ROC eğrisi elde eder. Ayrıca farklı eğitim‑test bölmelerinde ve ek veri setlerinde iyi genelleşir ve görüntüler yapay olarak daha gürültülü veya bozulmuş olduğunda performansının çoğunu korur—bunlar gerçek klinik değişkenliği taklit etmeyi amaçlayan koşullardır. Buna karşın sabit ayarlı önceki sürü algoritmaları genellikle çok erken yakınsar, daha fazla gereksiz özellik tutar ve özellikle zorlu veya dengesiz verilerde daha düşük duyarlılık ve özgüllük verir.

Bu hastalar ve klinikler için ne anlama geliyor

Günlük terimlerle ifade edilirse, çalışma modern bir görüntü analiz ağını akıllı bir özellik seçici sürü ile ve bir dizi basit sınıflandırıcıyla birleştirmenin hızlı, doğru ve nispeten dayanıklı bir diyabetik göz hastalığı “ikinci okuyucusu” üretebileceğini gösteriyor. Böyle bir araç göz doktorlarının yerini almayacaktır, ancak uzmanların az olduğu yoğun veya kaynak kısıtlı kliniklerde risk altındaki hastaları daha erken işaretlemeye yardımcı olabilir. Yazarlar yerel hastane verileri üzerinde daha fazla doğrulama ve hesaplama maliyetini azaltmaya yönelik çalışmaların gerekli olduğunu not ediyor; yine de fizik farkındalıklı, optimizasyon odaklı yaklaşımları otomatik taramayı daha güvenilir, gerçek dünya dağıtımına yaklaştırıyor.

Atıf: Darwish, S.M., Milad, K.G. & Ibrahim, R.E.ED. An enhanced diabetic retinopathy detection approach using optimized deep learning technique. Sci Rep 16, 9825 (2026). https://doi.org/10.1038/s41598-026-41998-y

Anahtar kelimeler: diyabetik retinopati, retina görüntüleme, derin öğrenme, özellik seçimi, tıbbi yapay zekâ