Bilgisayarlı tomografi görüntüleri kullanılarak çok sınıflı karaciğer hastalığı sınıflandırması için dönüştürücü destekli derin küme

Neden Daha Akıllı Karaciğer Taramaları Önemli

Karaciğer hastalığı sessizce küresel bir sağlık krizi haline geliyor, ancak tıbbi görüntülerde erken dönemde tespit etmek, uzmanlar için bile, şaşırtıcı derecede zor olabiliyor. Bu makale, modern yapay zekânın rutin BT taramalarını daha doğru okumada doktorlara nasıl yardımcı olabileceğini araştırıyor; ekstra test gerektirmeden hastaları üç yaygın ve ciddi karaciğer sorununa—yağlı karaciğer, siroz ve karaciğer kanseri—ayırıyor. Konvolüsyonel sinir ağları ile dönüştürücü dikkat mekanizmasını birleştirerek, yazarlar radyologlar için yüksek güvenilirlikte bir ikinci görüşe yaklaşan bir sistem geliştirmişler.

Üç Yaygın Karaciğer Sorunu, Tek Büyük Zorluk

Karaciğer, metabolizma, detoksifikasyon ve hayati protein üretimini yöneten vücudun kimya laboratuvarının merkezindedir. Uzun süreli yağ birikimi, skarlaşma veya tümörlerle zarar gördüğünde, sonuçlar neredeyse her organ sistemini etkileyebilir. Yağlı karaciğer hastalığı artık dünya nüfusunun yaklaşık üçte birini etkiliyor ve siroz ile karaciğer kanseri her yıl milyonlarca ölüme yol açıyor. Yine de BT taramalarında bu durumlar sıklıkla gri bölgede karışıyor: erken yağ değişiklikleri ince görünebilir, sirotik skarlaşma odaklı yerine yaygın olabilir ve tümörler normal doku içinde gizlenebilir. Geleneksel laboratuvar testleri yardımcı olur, ancak belirli hastalıklara özgü değildir. Doktorlar, kimin yakın izlemesi veya tedaviye ihtiyaç duyduğunu belirlemek için giderek daha çok görüntülemeye güveniyor; ancak yorumlama deneyim ve iş yüküne bağlı olarak değişiyor.

Bilgisayarlara Tıbbi Görüntülerde Görmeyi Öğretmek

Son on yılda derin öğrenme, bilgisayarların görüntüleri okuma biçimini kökten değiştirdi. Konvolüsyonel sinir ağları (CNN'ler) kenarlar, dokular ve şekiller gibi desenleri fark etmede olağanüstü ve çok sayıda karaciğer durumunun tespitini zaten iyileştirdi. Ancak klasik CNN'ler çoğunlukla yerel bölgelere odaklanır ve bir organ boyunca yayılmış diffuse veya ince değişikliklerle zorlanabilir. Başlangıçta dil için tasarlanan dönüştürücüler (transformers) ise yeni bir şey getiriyor: dikkat. Uzak bölgeler arasındaki ilişkileri ağırlıklandırmayı öğrenerek yalnızca yerel yamalar yerine küresel desenleri tanıyorlar. Bu çalışmanın yazarları, hem CNN'lerin yerel ayrıntılarını hem de dönüştürücülerin küresel bağlamını birleştirerek karaciğer BT taramaları için tek, pratik bir sistem oluşturmayı amaçladılar.

Hibrit Bir Sinir Ağı Ekibi Kurmak

Araştırmacılar, yağlı karaciğer, siroz ve hepatosellüler karsinom (yaygın bir karaciğer kanseri türü) dahil olmak üzere 681 hastayı ve milyonlarca bireysel görüntü dilimini kapsayan birkaç açık veri kümesinden BT taramalarını topladılar. Görüntü boyutunu standartlaştırdıktan ve kontrastı artırdıktan sonra, gerçek dünya değişkenliğini taklit etmek için görüntüleri hafifçe kaydırıp döndürerek ve yakınlaştırarak özenle veri artırımı ile sınıf dengesizliğini dengelediler. ResNet50V2, DenseNet121 ve MobileNetV2 gibi üç iyi bilinen önceden eğitilmiş CNN önce uyarlanıp üç hastalığı kendi başına sınıflandıracak şekilde ince ayarlandı. Her biri farklı bir mimari “kişiliğe” sahip: ResNet derin ve güçlü, DenseNet özellikleri verimli şekilde yeniden kullanıyor ve MobileNet kaynak kısıtlı ortamlar için yeterince hafif ve hızlı.

Dikkat Eklemek ve Görüşleri Birleştirmek

Ardından ekip her CNN'i dönüştürücü bloklarla genişletti. Yerel özellik yığınının ötesinde durmak yerine, CNN çıktısını bir dizi token şeklinde yeniden şekillendirip çok başlı öz-dikkat katmanlarından geçirdiler. Bu katmanlar, karaciğer görüntüsündeki hangi bölgelerin diğerlerine “dikkat etmesi” gerektiğini öğrenerek yaygın skarlaşma veya yamalı yağ birikimleri gibi uzun menzilli desenleri yakalar. Her hibrit CNN–dönüştürücü modeli, bir hastanın tüm BT dilimleri temelinde üç hastalık türü için kendi olasılığını üretti; tek görüntüler yerine hasta düzeyinde değerlendirme yaptı. Son olarak, yazarlar hibrit bir küme oluşturdu: üç modelin özellik temsillerini hizalayarak birleştirdiler ve farklı bakış açılarını en iyi şekilde nasıl kombinleyeceklerini öğrenen ek bir dönüştürücüden geçirerek nihai kararı verdiler.

Sistem Ne Kadar İyi Çalışıyor?

Performans artışları çarpıcıydı. İnce ayarlı CNN'ler tek başlarına yaklaşık %69 ile %82 arasında doğruluklara ulaştı; bu zaten saygın düzeyde olsa da özellikle yağlı karaciğer ve siroz için belirgin kör noktalar vardı—bu durumlar sıklıkla benzer görünür. Her omurgaya dönüştürücüler eklemek doğruluğu %87–93 aralığına yükseltti ve üç hastalık arasında dengeyi büyük ölçüde iyileştirdi. Üç dönüştürücü destekli ağın tamamı kümeye birleştiğinde, genel doğruluk %97'ye tırmandı; kesinlik, geri çağırma ve sınıf dengesizliğini dikkate alan sağlam bir korelasyon metriğinde neredeyse mükemmel puanlar elde edildi. Önemli olarak, hasta düzeyinde küme test verilerinde siroz veya karaciğer kanseri vakası kaçırmadı ve yağlı karaciğer için çok az yanlış alarm verdi. İstatistiksel testler, bu kazanımların sadece şansa bağlı olmadığını, en iyi tek model üzerinde gerçek bir iyileşmeyi temsil ettiğini doğruladı.

Bu Hastalar İçin Ne Anlama Gelebilir

Uzman olmayan bir okuyucu için ana mesaj şudur: bu hibrit yapay zekâ sistemi rutin BT taramalarını aynı anda üç büyük karaciğer hastalığını tespit etmek için çok daha keskin bir araca dönüştürebilir. Farklı sinir ağlarını birleştirip onlara bir “dikkat” mekanizması vererek, model tanı için önemli olan hem ince ayrıntıları hem de tüm organ düzeyindeki desenleri fark etmeyi öğreniyor. Yaklaşım basit ağlardan daha hesaplama açısından ağır olsa da ve hâlâ daha fazla hastane ve tarayıcıda test edilmesi gerekse de, radyologların yanında çalışabilecek, ince hastalıkları işaretleyip kaçırılan vakaları azaltan ve daha erken tedavi kararlarını destekleyen pratik araçlara işaret ediyor. Kısacası, akıllı yazılımların bir taramada ciddi bir karaciğer hastalığının gözden kaçmasını önlemeye yardımcı olduğu bir geleceği gösteriyor.

Atıf: Bhardwaj, S., Aggarwal, S., Kumar, N. et al. Transformer-enhanced deep ensemble for multi-class liver disease classification using computed tomography images. Sci Rep 16, 12690 (2026). https://doi.org/10.1038/s41598-026-43256-7

Anahtar kelimeler: karaciğer hastalığı görüntüleme, derin öğrenme tanısı, BT taraması analizi, dönüştürücü kümelenmesi, bilgisayar destekli radyoloji