Büyütme bağımsız meme kanseri tanısı: Çok aşamalı boyama normalizasyonuyla GWO ile iyileştirilmiş bir Vision Transformer

Bu araştırma hastalar ve hekimler için neden önemli

Meme kanseri artık dünya çapında en sık teşhis edilen kanserdir ve doku örneklerinin mikroskobik incelemesi hastalığı doğrulamanın altın standardı olmaya devam etmektedir. Ancak bu slaytların okunması zaman alıcıdır, uzmandan uzmana değişebilir ve görüntüler farklı büyütmelerde alındığında ya da laboratuvarda boyama hafifçe farklı olduğunda daha da zorlaşır. Bu çalışma, yeni nesil yapay zeka (YZ) araçlarının, bilgisayarlara meme dokusu slaytlarındaki desenleri nasıl göreceğini öğreterek patologlara kanseri daha tutarlı şekilde tespit etmede nasıl yardımcı olabileceğini araştırıyor; slaytların nasıl yakalandığına bakılmaksızın.

Düzensiz mikroskop görüntülerine düzen getirmek

Gerçek hastanelerde ve laboratuvarlarda meme doku slaytları nadiren birbirinin aynısı görünür. Boyalar, aydınlatma ve tarayıcı ayarlarındaki farklılıklar, temel doku benzer olsa bile renklerin koyu mordandan soluk pembeye kaymasına neden olabilir. Yazarlar, herhangi bir YZ eğitilmeden önce ilk olarak bu sorunu ele alıyor. Kontrastı ayarlayan, genel parlaklığı hizalayan, düzensiz aydınlanmayı düzelten ve son olarak yaygın hematoksilin–eozin boyamasının görünümünü standartlaştıran dört aşamalı bir temizleme hattı tasarlıyorlar. BreakHis adlı halka açık veri kümesinden 7.900’den fazla görüntü üzerinde çalışan bu süreç, hücresel yapıları daha belirgin kılıyor ve dört standart mikroskop büyütmesi boyunca örnekler arasındaki renk tutarlılığını artırıyor.

Sağlıklı ve kanserli örnekler arasındaki dengeyi sağlamak

İkinci pratik sorun dengesizliktir: veri kümesi kanserli görüntüler lehine çok daha fazla örnek içerir. Kontrolsüz bırakılırsa, bir YZ modeli her şeyi kanser olarak sınıflandırmayı “öğrenip” kağıt üzerinde iyi skor alabilir, ancak pratikte hastalara zarar verebilir. Bunu önlemek için araştırmacılar, az temsil edilen benign sınıfı gerçek dünya varyasyonlarını taklit eden dikkatle seçilmiş dönüşümlerle yapay olarak genişletiyor. Görüntüleri çeviriyor, döndürüyor, parlaklık ve rengi hafifçe değiştiriyor ve ince bulanıklık ekliyorlar—tanı için önemli olan ince hücresel ayrıntıları bozmadan. Bu adımdan sonra benign ve malign örnekler her büyütme düzeyinde eşitleniyor ve modelin her iki kategoriyi adil bir şekilde öğrenmesine olanak sağlanıyor.

Bir transformer’a doku slaytlarını okutmak

Geleneksel evrişimli sinir ağları yerine ekip Vision Transformer kullanıyor—ilk olarak dil işleme için geliştirilen ve daha sonra görüntülere uyarlanan bir tasarım. Görüntüyü küçük filtrelerle taramak yerine transformer, her slaytı birçok küçük yamaya böler ve bu parçaların tüm görüntü boyunca birbirleriyle nasıl ilişkili olduğunu öğrenir. Bu küresel bakış açısı histopatolojide değerlidir; çünkü hücrelerin ve doku desenlerinin şekli ve düzeni bir tümörün zararsız mı yoksa agresif mi olduğunu belirtebilir. Model her büyütme düzeyi (40×, 100×, 200×, 400×) için ayrı ayrı eğitilir ve performans doğruluk, precision, recall, karışıklık matrisleri ve çapraz doğrulama gibi standart ölçütlerle kontrol edilir; böylece sonuçların tek bir şanslı eğitim‑test bölünmesinin ürünü olmadığı güvence altına alınır.

Doğadan ilham alan bir optimizatöre YZ’yi ince ayar yaptırmak

Vision Transformer’ların performansını güçlü şekilde etkileyen birçok “düğmesi” vardır: ağın derinliği, kullanılacak attention başlığı sayısı, iç temsil boyutları, dropout oranı ve öğrenme hızı gibi. Bunları deneme‑yanılma ile ayarlamak yerine yazarlar Gri Kurt Optimizatörü (Grey Wolf Optimizer) adında bir meta‑sezgisel yönteme başvuruyor. Kurtların avı takip edip çevreleme biçiminden ilham alan bu algoritma, ayar kombinasyonlarını keşfeder ve doğrulama hatasını minimize eden ayarlara doğru kademeli olarak yakınsıyor. Her büyütme düzeyinde bağımsız olarak uygulandığında, temizlenmiş ve dengelenmiş görüntülerden daha iyi yararlanan transformer yapılandırmalarını keşfediyor.

Tüm büyütme düzeylerinde belirgin doğruluk artışı

Optimizasyondan sonra, birleştirilmiş çerçeve—boyama farkındalığı olan ön işleme, büyütme‑özgü dengeleme ve Gri Kurt ile ayarlanmış Vision Transformer’lar—güçlü ve tutarlı sonuçlar elde ediyor. Test doğrulukları en düşük büyütmede yaklaşık %92’ye ulaşıyor ve en yüksek büyütmede %94’e çıkıyor. Önemli olarak, kanserli (malign) vakalar benign olanlara göre biraz daha yüksek recall ile tespit ediliyor; bu önemli çünkü bir kanseri kaçırmak, benign bir örneği ekstra incelemeye almanın neden olduğu gereksiz işten çok daha zararlıdır. Deneyleri beş katlı çapraz doğrulama ile tekrarlamak minimal varyasyon gösteriyor; bu da sistemin eğitim setini ezberlemek yerine sağlam işaretleri öğrendiğini düşündürüyor.

Geleceğin kanser bakımına olası etkileri

Basitçe söylemek gerekirse, çalışma gösteriyor ki doku görüntüleri dikkatle standardize edildiğinde ve transformer tabanlı model akıllıca ayarlandığında, bir YZ sistemi birden fazla mikroskop büyütme düzeyinde benign ile malign meme örneklerini güvenilir şekilde ayırt edebiliyor. Çalışma hâlâ tek bir halka açık veri kümesi ve ikili bir karar (kanser veya değil) ile sınırlı olsa da, aşırı yüklenmiş patologlara slaytları ön tarama, şüpheli bölgeleri vurgulama ve kaçırılan kanserleri azaltma gibi yardımlarda bulunabilecek klinik araçlara işaret ediyor. Daha geniş, çok merkezli doğrulama ve ek iyileştirmelerle, bu tür büyütme‑bağımsız YZ yardımcıları dijital patoloji iş akışlarının ayrılmaz bir parçası haline gelerek daha hızlı ve daha tutarlı meme kanseri tanısını destekleyebilir.

Atıf: Fatma, T., Sahu, P.K., Choudhury, S. et al. Magnification-independent breast cancer diagnosis using a GWO-enhanced vision transformer with multi-stage stain normalization. Sci Rep 16, 11930 (2026). https://doi.org/10.1038/s41598-026-42490-3

Anahtar kelimeler: meme kanseri histopatolojisi, vision transformer, boyama normalizasyonu, tıbbi görüntü sınıflandırması, derin öğrenme optimizasyonu