Eşitsiz Sınıflar için Koşullu GAN Hattı ve CNN‑ViT Birleşimiyle Geliştirilmiş cilt kanseri sınıflandırması

Neden daha akıllı cilt taramaları önemli

Cilt kanseri dünya genelinde en yaygın kanserlerden biridir ve erken yakalandığında basit bir ayaktan işlem ile hayatı tehdit eden bir hastalık arasındaki farkı yaratabilir. Dermatologlar büyütülmüş cilt görüntülerindeki görsel ipuçlarına yoğun biçimde güvenirler, ancak bazı kanser türleri nadir olduğunda ve görüntüler saç gibi dikkat dağıtıcı unsurlarla dolu olduğunda uzmanlar bile zorlanır. Bu çalışma, bu zor ve az temsil edilen vakalarla daha adil şekilde başa çıkmak üzere tasarlanmış bir yapay zekâ (YZ) sistemi sunar; amaç, herkes için daha güvenilir cilt kanseri taramasını desteklemektir.

Dengesiz veri ve zor fark edilen kanserler

Dermatoloji görüntüleri hem bilgisayarlar hem de klinisyenler için birkaç engel barındırır. Birçok fotoğrafta lezyonu örten saçlar, gölgeler ve diğer artefaktlar görülür. Bazı cilt kanserleri çok yaygındır, bazıları ise nadirdir; bu yüzden ana kamu veri setlerinde binlerce iyi huylu ben örneği varken, daha az sık fakat klinik açıdan önemli kanserlerin sadece birkaç yüz görüntüsü bulunur. Böyle dengesiz koleksiyonlarda eğitilmiş standart derin öğrenme modelleri çoğunluk sınıflarını tanımada çok iyi olurken nadir sınıflarda sessizce başarısız olma eğilimindedir—otomatik yardımın en çok değerli olacağı vakalarda. Ayrıca geleneksel görüntü ağları genellikle küçük yamalara odaklanır ve teşhis için önemli olan genel asimetri veya düzensiz sınırlar gibi küresel ipuçlarını kaçırabilir.

Nadir vakalardan daha fazlasını yaratmak

Dengesizliği ele almak için yazarlar önce gerçek hasta verilerinden öğrenen ve ardından nadir lezyon tiplerinin yeni, gerçekçi görünen örneklerini üreten akıllı bir görüntü üreteci kurar. Mevcut resimleri basitçe çevirmek veya döndürmek yerine sistemleri, koşullu bir üreteç karşıt ağ (GAN), önceki kararları en çok etkileyen lezyon bölümlerini görmek için standart bir sınıflayıcıdan türetilen “dikkat haritalarını” kullanır. Bu dikkat haritaları tıbbi olarak anlamlı bölgeleri vurgular. Üreteç daha sonra bu bölgelerdeki kritik yapıları korurken renk, doku ve şekil üzerinde kontrollü varyasyon ekleyen yeni görüntüler oluşturur. Etkili şekilde YZ, nadir her kanserin birçok olası versiyonunu hayal etmeyi öğrenir ve görüntüleri kopyalamadan eğitim havuzunu zenginleştirir.

İki görüş biçimi: yerel ayrıntılar ve küresel desenler

Hedeflenmiş sentetik görüntülerle veri seti dengelendirildikten sonra ikinci bir YZ modülü gerçek teşhisi yapmak üzere devreye girer. Araştırmacılar burada birbirini tamamlayan iki model türünü birleştirir. Bir konvolüsyonel sinir ağı (ResNet50V2) ince taneli yerel ipuçlarını—küçük pigment çizgileri, ince doku farklılıkları ve kenar keskinliği gibi—yakalamada üstünlük sağlar. Buna paralel olarak bir görüntü transformer modeli (DeiT) her görüntüyü bir yama ızgarası olarak ele alır ve uzak bölgelerin birbirleriyle nasıl ilişkili olduğunu öğrenerek asimetri, yayılım ve sınır şekli gibi tüm lezyonu ilgilendiren özellikleri yakalar. Görüşlerini son aşamada birleştirmek yerine ekip, içsel temsilcilerini dikkat tabanlı bir füzyon modülü aracılığıyla kaynaştırır; bu modül küresel bağlamın belirli yerel özellikleri anlık olarak vurgulamasına veya ağırlığını azaltmasına izin verir.

Sistemi teste sokmak

Hat HAM10000 üzerinde değerlendirilir; bu veri seti zararsız pigment lekelerinden melanom ve birkaç daha az yaygın cilt kanserine kadar yedi lezyon türünü kapsayan on binden fazla dermoskopik görüntü içerir. Saçların giderilmesi ve dikkatli eğitim‑test bölünmesi sonrası yeni sentetik görüntüler temizlenmiş orijinallerle karıştırılarak dengelenmiş bir eğitim seti oluşturulur. Birleştirilmiş modelin performansı sınıf başına precision, recall ve F1 skorları ile alıcı işletim ve precision‑recall eğrileri kullanılarak değerlendirilir. Kritik olarak yazarlar dermatofibroma, vasküler lezyonlar, bazal hücre karsinomu ve aktinik keratoz gibi nadir sınıfların bol olan türler kadar güvenilir biçimde tanınmasına odaklanır; tek bir genel doğruluk sayısına bağlı kalmak yerine zayıflıkları gizleyebilecek bir ölçüden kaçınırlar.

YZ’den daha dengeli yanıtlar

Ortaya çıkan sistem yedi sınıfın tümünde yüksek ve daha da önemlisi iyi dengelenmiş doğruluk sunar. Birkaç azınlık kanser için neredeyse kusursuza yakın performans ve kalan türler için rekabetçi skorlar elde eder; ayrıca kapsamlı bootstrap yeniden örnekleme ile test edildiğinde düşük istatistiksel belirsizlik gösterir. Bu, kazançların aşırı örneklemenin bir şansı olmadığını, dikkatle yönlendirilen görüntü üretimi ile çift bakışlı sınıflayıcının sinerjisinden kaynaklandığını düşündürür. Bir okur için ana mesaj, daha büyük modellere sahip olmak değil—daha akıllı YZ tasarımının—otomatik cilt kanseri araçlarının nadir ama tehlikeli durumları gözardı etmemesine yardımcı olabileceğidir. Klinik kullanımdan önce daha geniş, çok merkezli veri setlerinde ek testler gerekli olsa da bu çalışma her lezyonu, yaygın veya nadir olsun, eşit özenle inceleyecek YZ yardımcılarına işaret ediyor.

Atıf: Hussain, S.R., Saritha, S., Chevuri, A. et al. Enhanced skin cancer classification for minority classes using Conditional GAN pipeline and CNN-ViT ensemble. Sci Rep 16, 13114 (2026). https://doi.org/10.1038/s41598-026-43339-5

Anahtar kelimeler: cilt kanseri tespiti, tıbbi görüntü yapay zekâsı, sınıf dengesizliği, sentetik tıbbi görüntüler, görüntü transformerları