Çift dikkatli hibrit CNN-HiFuse yaklaşımıyla akciğer kanseri sınıflandırmasının geliştirilmesi

Akciğer Kanserini Erken Bulmanın Önemi

Akciğer kanseri, büyük ölçüde geç evrede keşfedilmesi ve bu nedenle sınırlı tedavi seçenekleriyle ilişkilendirildiği için dünya çapında en ölümcül kanserlerden biridir. Radyologlar küçük lezyonları tespit etmek için ayrıntılı BT taramalarını kullanır, ancak her görüntü dilimini dikkatle incelemek yavaş ve yorucu bir iştir—küçük veya sırıtmayan nodüller gözden kaçabilir. Bu çalışma, gelişmiş bir yapay zekânın yorulmadan ikinci bir göz gibi davranarak doktorların akciğer sorunlarını daha erken fark etmesine ve zararsız bulguları tehlikelilerden ayırmasına nasıl yardımcı olabileceğini araştırıyor.

Göğüs Taramalarını Net Kategorilere Dönüştürmek

Araştırmacılar, radyologların her gün karşılaştığı pratik üçlü karara odaklanıyor: bir BT dilimi normal akciğer dokusu, zararsız (benign) bir nodül mü yoksa kansere dönüşmüş (malign) bir nodül mü gösteriyor? Kullanılan veri kümesi Irak’taki bir onkoloji merkezinden kamuya açık bir set olup 110 hastadan alınmış 1.190 BT dilimi içeriyor; her hasta normal, benign veya malign olarak etiketlenmiş. Performansı aşırı tahmin etmemek için verileri görüntü bazında değil hasta bazında ayırıyorlar; böylece aynı kişinin dilimleri eğitim ve testte bir arada yer almıyor. Ayrıca görüntü boyutu, parlaklık ve format standartlaştırılıyor ve sistemin gerçek dünya değişkenliğiyle başa çıkmasına ve daha az görülen benign ile malign örnekleri dengelemeye yardımcı olmak için döndürme, çevirme ve parlaklık değişiklikleri gibi veri artırma teknikleri uygulanıyor.

Akıllı Tarama Okuyucusu Görüntüleri Nasıl Görüyor

Sistemin merkezinde, özellikle görüntülerdeki desenleri tanımada iyi olan bir tür yapay zekâ olan konvolüsyonel sinir ağı (CNN) bulunuyor. Tasarladıkları model, Çift Dikkatli Hibrit CNN–HiFuse mimarisi adını taşıyor ve akciğer BT’sinin zorluklarına göre uyarlanmış. Önce kenarlar ve dokular gibi temel görsel özellikleri yakalamak için standart konvolüsyon katmanları kullanıyor. Ardından HiFuse adlı özel bir modül farklı ölçeklerde bilgiyi birleştiriyor: bir dal dalganın tüm akciğer çapında geniş, küresel bağlamı yakalarken diğer dalga potansiyel nodüller etrafındaki yerel ayrıntılara odaklanıyor. Bu görüşleri hiyerarşik olarak kaynaştırarak ağ, hem küçük lezyonları hem de bunları çevreleyen daha büyük yapıları fark etmede daha yetkin hale geliyor.

Sisteme Nerelere Bakacağını Öğretmek

Özellik çıkarmanın ötesinde, model aktif olarak nerelere dikkat edeceğini öğreniyor. "Çift dikkat" mekanizması iki şekilde çalışıyor. Kanal dikkat, örneğin malign bir nodülü yara izi dokusundan ayırmada özellikle yararlı olan en bilgilendirici özellik türlerine daha fazla ağırlık vererek dikkat dağıtan sinyalleri azaltıyor. Buna karşılık mekânsal dikkat, görüntü içindeki belirli bölgelere yoğunlaşıyor; akciğerde şüpheli alanları vurgulayıp arka planı bastırıyor. Bu iki dikkat biçimi sırayla uygulanarak her dilimin özlü, odaklanmış bir özetinin oluşturulmasına yardımcı oluyor; bu özet daha sonra normal, benign veya malign olma olasılıklarını veren son sınıflandırıcıya iletiliyor.

Yaklaşımın Performansı

Böyle bir sistemi kurarken filtre sayısı, iç ağırlıkların ne kadar hızlı ayarlanacağı veya ağı ne kadar güçlü düzenlenecek gibi birçok seçeneği ayarlamak için yazarlar otomatik bir arama aracı kullanıyor. En iyi ayarlar belirlendikten sonra hibrit modellerini VGG16 ve ResNet50 gibi iyi bilinen derin ağlar ile dikkat içeren özelleştirilmiş bir ağ da dahil olmak üzere birkaç güçlü temel yöntemle karşılaştırıyorlar. 213 BT diliminden oluşan bağımsız test setinde Çift Dikkatli Hibrit CNN–HiFuse modelleri yaklaşık %98 doğruluk, çok yüksek kesinlik ve duyarlılık sağlıyor. Toplamda yalnızca dört dilimi yanlış sınıflandırıyor ve özellikle önemli bir güvenlik kaygısı olan malign nodülleri kaçırma oranlarında çok düşük değerler gösteriyor. Sınıfları farklı eşiklerde ne kadar iyi ayırt ettiğini ölçen alıcı işletim karakteristikleri (ROC) eğrileri, üç kategori için de ideal performansa yakınlaşıyor.

Gerçek Dünyada Kullanım İçin Söz Vaadeden Yönler ve Sınırlar

Uzman olmayanlar için ana mesaj, bu çalışmanın akciğer BT görüntülerini üç klinik açıdan anlamlı gruba hızlı ve nispeten hafif bir yapay zekâ sistemiyle etkileyici doğrulukta sınıflandırabildiğini ve kararını en çok etkileyen bölgeleri gösteren dikkat haritaları sunduğunu göstermesi. Bu, aracı siyah kutu olmaktan çıkarıp radyologların güvenebileceği bir karar destek aracı haline getiriyor. Ancak sonuçlar tek bir hastaneden geliyor, tam 3B taramalar yerine 2D dilimler kullanıyor ve basitleştirilmiş üç sınıf etiketleme şemasıyla çalışıyor; bu nedenle bulgular kesin kanıt değil, teşvik edici bir ilk adım olarak görülmeli. Daha büyük, daha çeşitli veri kümeleri üzerinde ek testler ve klinik iş akışlarına entegrasyon ile benzer dikkat odaklı modeller akciğer kanserini daha erken yakalamaya ve aşırı yüklü görüntüleme uzmanlarının yükünü azaltmaya yardımcı olabilir.

Atıf: M. D, A., B, V. Enhancing lung cancer classification through a double attention hybrid CNN-HiFuse approach. Sci Rep 16, 13099 (2026). https://doi.org/10.1038/s41598-026-42290-9

Anahtar kelimeler: akciğer kanseri, BT görüntüleme, derin öğrenme, bilgisayarla desteklenen tanı, dikkat mekanizmaları