Akciyon papatya (manta ray)-Bayesyen optimizasyon yaklaşımıyla hiperparametre ayarlı evrişimli sinir ağlarının akciğer kanseri sınıflandırmasında kullanımı

Hastalar ve doktorlar için bunun önemi

Akciğer kanseri en öldürücü kanserlerden biridir ve BT taramalarında erken yakalanması hayat kurtarabilir. Ancak bilgisayarlara bu taramaları doğru okumayı öğretmek zordur; çünkü güçlü yapay zekâ sistemleri bile doğru şekilde ayarlanmazsa hata yapabilir. Bu çalışma, kompakt bir görüntü analiz ağını daha doğru ve verimli halde akciğer kanserini tespit edebilir hâle getirmek için daha akıllı bir ince ayar yöntemi sunuyor; bu da bir gün radyologların daha hızlı ve güvenilir kararlar almasına yardımcı olabilir.

Bilgisayarlara öğretmenin daha akıllı bir yolu

Güncel görüntü tabanlı tanı genellikle bilgisayar ağlarının tıbbi görüntülerden doğrudan desenleri öğrendiği derin öğrenmeye dayanır. Bu sistemler sağlıklı akciğerlerle kanserli nodüller arasında ayrım yapabildiğini göstermiştir ve bazen geleneksel yöntemlerle yarışır. Ancak başarıları, modelin ne kadar hızlı öğrendiği, bir görüntüyü taramak için kaç filtre kullanıldığı ve aşırı öğrenmeyi önlemek için uygulanan düzenleme miktarı gibi gizli ayarlara büyük ölçüde bağımlıdır. Geleneksel olarak araştırmacılar bu ayarları deneme-yanılma ya da kaba kuvvetli aramayla yapar; bu yavaş, maliyetlidir ve daha iyi kombinasyonları kaçırabilir. Yazarlar, akciğer kanseri görüntülemesi için hem daha akıllı hem de daha pratik ayar stratejilerine ihtiyaç olduğunu savunuyor.

İki arama stratejisinin birleştirilmesi

Ekip, model ayarını bilinmeyen bir manzarayı keşfetmeye benzeten iki aşamalı bir arama prosedürü öneriyor. Önce, Bayesyen optimizasyon adı verilen olasılıksal bir yöntem önceki model sonuçlarına bakar ve her seçeneği körü körüne denemek yerine bir sonraki denenecek en umut verici ayarları önerir. Öğrenme hızı, evrişim filtresi sayısı, yoğun katman birim sayısı ve dropout oranı gibi alanlarda bu keşifte performansın matematiksel bir vekilini kullanır. Bu küresel adım iyi bir bölgeyi daralttıktan sonra, manta raylerinin okyanusta beslenme davranışından ilham alan ikinci bir yöntem devreye girer. Bu sürü tabanlı prosedür, aday ayarları zincir benzeri hareket, girdap desenleri ve ani “takla” atlamaları ile hafifçe pertürbe ederek yerel olarak rafine eder ve performans manzarasındaki küçük tuzaklardan kaçmayı sağlar.

Taramalar için tasarlanmış ince ağ

Bu ayar stratejisinden yararlanmak için yazarlar akciğer BT görüntülerine uyarlanmış hafif bir evrişimli ağ tasarlıyor. Milyonlarca parametreye sahip ağır modeller yerine, tasarım kompakt mobil görsel mimarilerden fikirler ödünç alıyor. Hesaplamaların sayısını azaltmak ve önemli görsel ayrıntıyı korumak için depthwise separable evrişimler ve pointwise katmanlar kullanıyor, sonra farklı derinliklerden gelen özellikleri birleştirip nadir akciğer kategorilerini ayırt eden son sınıflandırma katmanına besliyor. Dikkatli görüntü ön işleme ayrıca taramaları gürültüden arındırma, kontrastı artırma, kenarları vurgulama ve veri çoğaltma yoluyla veri setini dengeleyerek nadir veya ince vakaların gözden kaçmamasına yardımcı oluyor.

Yöntemin performansı

Araştırmacılar ayarlı ağlarını birkaç halka açık akciğer kanseri BT veri setinde test ediyor; bunlar arasında malign vakaların normal vakalardan daha yaygın olduğu klinik olarak gerçekçi bir koleksiyon da bulunuyor. MobileNet, ResNet, DenseNet ve dönüştürücü (transformer) tabanlı modeller gibi yaygın kullanılan mimarilerle karşılaştırıldığında, kompakt ağları çok daha az parametre ve daha düşük hesaplama süresiyle benzer veya daha yüksek doğruluk sağlıyor. Birleştirilmiş Bayesyen ve manta rayi ayarlama süreciyle model, bir ölçüt üzerinde yaklaşık yüzde 98 test doğruluğuna ulaşıyor ve benign, malign ve normal sınıfları için güçlü kesinlik ve geri çağırma (precision ve recall) değerlerini koruyor. Çapraz doğrulama ve istatistiksel testler, bu hibrit arama stratejisinin parçacık sürüleri ve genetik algoritmalar gibi diğer optimizasyon şemalarına göre daha tutarlı ve anlamlı derecede daha iyi sonuçlar verdiğini öne sürüyor.

Pratikte ne anlama gelebilir

Uzman olmayanlar için temel mesaj, bir yapay zekâ modelinin nasıl öğrendiğinin ayarlanmasının model tasarımı kadar önemli olabileceğidir. Küresel olasılıksal bir aramayı yerel, doğadan ilham alan bir rafinman adımıyla eşleştirerek bu çalışma, nispeten küçük bir ağın akciğer BT taramalarını doğru okumayı mütevazı hesaplama kaynaklarıyla öğrenebileceğini gösteriyor. Alternatif ayar yöntemleriyle daha fazla karşılaştırma ve büyük ölçekli klinik deneyler hâlâ gerekli olsa da, bu çalışma günlük hastane ekipmanına uyabilecek, radyologlara hızlı ikinci görüş sağlayabilecek ve potansiyel olarak akciğer kanserini daha erken ve daha güvenilir yakalamaya yardımcı olabilecek yapay zekâ araçlarına işaret ediyor.

Atıf: Samal, S., Sunder, S., Gadekellu, T. et al. A manta ray-bayesian optimization approach for hyperparameter-tuned convolutional neural networks in lung cancer classification. Sci Rep 16, 14794 (2026). https://doi.org/10.1038/s41598-026-42506-y

Anahtar kelimeler: akciğer kanseri, BT taraması, derin öğrenme, hiperparametre ayarı, tıbbi görüntüleme