Melanom tespiti için meta-sezgisel algoritmalarla optimize edilmiş hibrit CNN modellerinin analizi

Daha akıllı cilt kanseri taramalarının önemi

Melanom, erken yakalanmazsa hızla yayılabilen tehlikeli bir cilt kanseri türüdür. Dermatologlar artık çıplak gözün yanında kameralar ve yazılımlar kullanıyor, ancak bu görüntüler için güvenilir yapay zeka (YZ) sistemleri tasarlamak hâlâ zorlu bir görev. Bu çalışma, doğadan esinlenen arama stratejilerinin derin öğrenme modellerini otomatik olarak tasarlayıp ayarlamasına izin vererek daha fazla melanomu yakalamayı ve yalancı alarmları kontrol altında tutmayı amaçlayan yeni bir yaklaşımı araştırıyor.

Bilgisayarlara sorunlu cildi “görmeyi” öğretmek

Araştırmacılar dermoskopik görüntülere—özel bir cihazla çekilmiş, cilt lekelerinin yakın ve büyütülmüş fotoğraflarına—odaklanıyor. Bu görüntüler kanserle ilişkili olabilecek renk, doku ve şekil açısından ince desenler barındırır. Konvolüsyonel sinir ağları (CNN’ler) bu tür görsel desenleri tanımada özellikle iyidir, ancak hassastır: performansları, kaç katman olduğu, filtrelerin büyüklüğü veya öğrenme hızının ne olduğu gibi çok sayıda tasarım seçimine bağlıdır. Geleneksel olarak uzmanlar bu ayarları tahmin eder veya elle ayarlar ya da alakasız görevlerden tasarımlar yeniden kullanılır; bu da modellerin cilt kanseri görüntülerine uyumunu sınırlayabilir.

Modeli doğadan ilham alan aramaya bırakmak

Önceden sabit bir CNN belirlemek yerine yazarlar tüm tasarımı bir arama problemini çeviriyor. CNN’i, bukalemunların başkalarının yuvalarına yumurta bırakması, kurt sürülerinin avlanması veya kuş sürülerinin sürü hareketleri gibi doğal davranışlardan esinlenen altı adet sözde meta-sezgisel algoritmayla birleştiriyorlar. Bu çerçevede her meta-sezgisel, ana eğitim ayarları da dahil olmak üzere eksiksiz bir CNN tasarımını aday bir çözüm olarak ele alıyor. Ardından birçok aday üretiyor, her birini cilt görüntüleri üzerinde gerçekten eğitip doğrulayarak test ediyor ve melanomu iyi bir şekilde benign lezyonlardan ayırt etme doğruluğuna göre nüfusu daha iyi performans gösteren tasarımlara doğru kademeli olarak yönlendiriyor.

Önce görüntülerin temizlenmesi ve zenginleştirilmesi

Herhangi bir öğrenme gerçekleşmeden önce görüntülerin kendileri dikkatli bir hazırlık gerektirir. Ekip, melanomu da içeren yedi tür cilt lezyonunu kapsayan on bir binden fazla dermoskopik görüntü barındıran yaygın olarak kullanılan HAM10000 koleksiyonunu kullanıyor. Tüm görüntüleri standart bir boyuta yeniden ölçeklendiriyor, parlaklık farklılıklarını eşitliyor ve modeli şaşırtabilecek kıllar ve izler gibi dikkat dağıtıcı artefaktları kaldırıyorlar. CNN’in gerçek klinik çeşitliliğiyle başa çıkmasına yardımcı olmak için her melanom görüntüsünden döndürme, yatay çevirme, yakınlaştırma, kırpma ve parlaklık ayarı gibi hafif değişikliklerle yeni sürümler oluşturuyorlar. Bu aynı zamanda melanom ve melanom olmayan örnek sayısını dengeleyerek modelin daha yaygın sınıfa öncelik verme eğilimi göstermesini engelleyen bir yöntem görevi görüyor.

Altı arama stratejisini teste sokmak

Bu temizlenmiş ve genişletilmiş veri kümesi içinde altı meta-sezgisel—Cuckoo Search, Firefly Algorithm, Whale Optimization Algorithm, Particle Swarm Optimization, Grey Wolf Optimizer ve Crow Search Algorithm—her biri güçlü CNN konfigürasyonları arıyor. Kaç konvolüsyon katmanı kullanılacağı, katman başına kaç filtre olacağı, batch normalization adı verilen bir dengeleme tekniğinin uygulanıp uygulanmayacağı, her eğitim partisinin büyüklüğü ve modelin iç ayarlarını ne kadar hızlı güncelleyeceğini kontrol eden öğrenme hızı gibi seçimleri araştırıyorlar. Önerilen her tasarım için bir CNN inşa ediliyor, eğitiliyor ve ayrı bir doğrulama kümesi üzerinde kontrol ediliyor; doğruluk sonucu arama algoritmasına bir puan olarak geri beslenerek bir sonraki aday turuna rehberlik ediyor. Bu döngü, her optimizatör için nüfus büyüklükleri ve iterasyon sayıları gibi parametreleri değiştiren birden fazla deneysel düzen içinde tekrarlanıyor.

Hangi stratejiler en iyi sonuç verdi

Tüm altı yaklaşım, dikkatle yapılandırılmış ve elle ayarlanmış bir temel ağdan daha iyi performans gösteren CNN’ler üretti. Temel ağ yaklaşık yüzde 84 doğru sınıflandırmayla sınırlanırken, en iyi meta-sezgisel yönlendirmeli modeller yaklaşık yüzde 91 doğruluğa ulaştı. İki algoritma öne çıktı. Cuckoo Search en yüksek genel doğruluk ve duyarlılığı sağladı—bu da onun özellikle melanomları yakalamada ve atlanan kanser riskini azaltmada iyi olduğu anlamına geliyor. Grey Wolf Optimizer benzer şekilde güçlü doğruluk sunarken, benign lezyonları doğru tanıma yeteneğinde en iyi sonucu vererek gereksiz alarmları azalttı. Firefly Algorithm gibi diğer yöntemler rekabetçi performans gösterse de daha fazla değişkenlik gösterdi; Particle Swarm ve Crow Search ise tasarım alanında daha az optimal bölgelerde daha erken takılıp kalma eğilimindeydi.

Modelin “mantığı”na bir göz atmak

Tıbbi YZ’nin klinisyenler tarafından güvenilir olması gerektiğinden, yazarlar optimize edilmiş CNN’lerin nasıl karar verdiğini de inceliyor. Grad-CAM++ adlı bir görselleştirme tekniği kullanarak ağın bir lezyonu malign veya benign ilan ederken “nereye baktığını” gösteren renkli ısı haritaları üretiyorlar. Başarılı örneklerde bu haritalar çevre ciltten veya kalan artefaktlardan ziyade gerçek lekeye odaklanıyor ve dermatologların kuşku verici kabul ettiği düzensiz yapıları vurguluyor. Sistem yanlış yaptığında ise genellikle uzmanlar için bile görsel olarak belirsiz olan, örneğin kaba dokuya sahip benign lekeler ya da çok ince kontrasta sahip erken melanomlar gibi lezyonlarla zorlanıyor.

Gelecekteki cilt taramaları için ne anlama geliyor

Bir uzman olmayan için temel mesaj şudur: çalışma, doğadan esinlenen arama stratejilerinin bir derin öğrenme modelinin iç işleyişini tasarlamasına izin vermenin, otomatik melanom tespitini sadece uzman elle ayarlamasına göre daha doğru ve daha güvenilir kılabileceğini gösteriyor. Aynı büyük, halka açık veri kümesi üzerinde birkaç böyle stratejiyi sistematik olarak karşılaştırarak yazarlar Cuckoo Search ve Grey Wolf Optimizer’ı gelecekteki klinik karar destek sistemlerinin inşası için özellikle umut verici araçlar olarak belirliyor. Bu sistemlerin dermatologların yerini alması amaçlanmamakla birlikte, tehlikeli lezyonların gözden kaçma olasılığını azaltmaya ve benign lekelerin gereksiz endişe ve işlemlere yol açma olasılığını azaltmaya yardımcı olacak değerli ikinci okuyucular haline gelebilirler.

Atıf: Hermosilla, P., Soto, R., Monfroy, E. et al. Analysis of hybrid CNN models optimized with metaheuristic algorithms for melanoma detection. Sci Rep 16, 13075 (2026). https://doi.org/10.1038/s41598-026-42711-9

Anahtar kelimeler: melanom tespiti, dermoskopik görüntüleme, konvolüsyonel sinir ağları, meta-sezgisel optimizasyon, tıbbi yapay zeka