Cilt kanseri tespiti için hipergraph tabanlı kontrastif gömme ve dikkat füzyonu

Neden daha akıllı cilt taramaları önemli

Cilt kanseri en yaygın kanserlerden biridir ve melanoma nispeten nadir olmasına rağmen geç yakalandığında özellikle ölümcüldür. Doktorlar nevüs ve lekelerin büyütülmüş fotoğrafları olan dermoskopik görüntüleri kullanarak sorun arayabilir, ancak birçok lezyon şaşırtıcı derecede benzer görünür. Bazı tehlikeli kanserler gerçek hayatta nadirdir ve bu yüzden yapay zeka sistemleri için eğitim verisinde eksik kalır. Bu makale, özellikle nadir fakat kritik vakaları daha güvenilir biçimde tespit etmeyi ve klinisyenin yorumlayabileceği açıklamalar sunmayı amaçlayan C2G‑HFMTA adlı yeni bir bilgisayarla görme çerçevesi tanıtıyor.

Yaygın ve nadir cilt lekelerinin dengelenmesi

Otomatik cilt kanseri taramasında büyük bir engel dengesizliktir: bazı iyi huylu lezyonlar veri setlerinde binlerce kez görünürken, ciddi kanserler veya alışılmadık lezyonlar yalnızca birkaç düzine kez görülebilir. Standart derin öğrenme modelleri çoğunluğa odaklanma ve nadir sınıfları göz ardı etme eğilimindedir; doktorların istemediği tam da budur. Yazarlar bunu ele almak için, yedi tür cilt lezyonunu içeren ve on binden fazla görüntü barındıran büyük HAM10000 dermoskopi veri setini yeniden düzenleyerek başladı. Clustered Class‑Based Segmentation adı verilen stratejileri, görüntüleri çok yaygın, orta derecede yaygın ve nadir lezyon olmak üzere üç kümeye ayırır ve eğitim sırasında algoritmanın ezici çoğunluk vakaları tarafından bastırılmak yerine her gruba yapılandırılmış dikkat göstermesini sağlar.

Vakıaların nasıl ilişkilendiğini öğretmek

Görüntüleri bir sinir ağına verip örüntüleri ezberlemesini istemek yerine, çerçeve görüntüler arasındaki ilişkilerin soyut bir haritasını inşa eder. Güçlü bir özellik çıkarıcı (DenseNet201) kullanılarak her lezyon görüntüsü sayısal bir parmakizi biçimine dönüştürülür. Bu parmakizleri, iki lezyonun ne kadar benzer göründüğünü gösteren bağlantılarla bir grafın düğümleri haline gelir. Yazarlar bunun ötesine geçip aynı anda birden fazla görüntüyü bağlayabilen ve daha zengin grup örüntülerini yakalayan bir “hipergraf” kullanır. Bu yapının üzerinde denetimli kontrastif öğrenme uygulanır: aynı teşhise sahip görüntüler bu soyut uzayda birbirine yaklaştırılırken, farklı teşhise sahip görüntüler uzaklaştırılır. Kritik olarak, bu süreç gerçek lezyon etiketleri tarafından doğrudan yönlendirilir; ağır görüntü çarpıtmalarına dayanmaması sayesinde teşhis için önemli olan ince renk ve doku bilgileri korunur.

Anlamın dikkati yönlendirmesine izin vermek

İkinci temel bileşen, grafın öğrendiklerini görüntülerin ham görsel detaylarıyla birleştiren dikkat‑temelli bir füzyon modülüdür. Veri seti genelinde her lezyonun diğerleriyle nasıl ilişkili olduğunu kodlayan graf türevi temsiller, sınıf kimliğine dair yüksek seviyeli bir “soru” gibi davranır. Orijinal görüntülerden elde edilen piksel düzeyindeki özellikler ise “kanıt” olarak görev yapar. Çok modal dikkat bloğu içinde bu iki akış etkileşir: grafın sağladığı anlamsal ipuçları modelin, ayırt edilmesi zor lezyonları ayırmada en önemli olan görüntü bölgelerine ve örüntülere odaklanmasını sağlar. Kalıntı bağlantılar ve çok ölçekli işlem, pigmentteki hafif değişiklikler, sınır düzensizlikleri veya küçük kan damarları gibi tehlikeli bir lezyonu zararsız olandan ayıran ince ayrıntıların korunmasına yardımcı olur.

Modelin performansı ne kadar iyi

Araştırmacılar çerçevelerini HAM10000 veri setinde beş katlı çapraz doğrulama dahil dikkatli deneysel protokoller ve 30’dan fazla popüler konvolüsyonel ve transformer tabanlı modele karşı kapsamlı karşılaştırmalar kullanarak değerlendirdiler. Yöntemleri yaklaşık %93 genel doğruluk ve benzer bir F1 skoru elde etti ve tüm temel yöntemleri açık ara geride bıraktı. Önemli olarak, kazançlar çoğu sistemin zorlandığı nadir lezyon türlerinde en güçlüydü. Ek testler, sınıf tabanlı kümeleme, hipergraf kontrastif gömme ve dikkat füzyonunun her bir bileşeninin performansa ölçülebilir katkı sağladığını gösterdi. t‑SNE, UMAP ve Grad‑CAM ısı haritaları gibi görsel araçlar yeni yöntemin lezyon türlerinin daha net kümelerini ürettiğini ve melanomdaki düzensiz sınırlar veya belirli precanceröz lezyonlardaki yoğun keratin alanları gibi tıbbi açıdan anlamlı görüntü bölgelerine dikkati yoğunlaştırdığını ortaya koydu.

Gelecekteki cilt taramaları için bunun anlamı

Sade ifadeyle, bu çalışma cilt lezyonlarını incelerken hem daha adil hem de daha ayırt edici olan bir yapay zeka çerçevesi sunuyor. Yaygın ve nadir vakaları açıkça dengeleyerek, görüntüler arasındaki ilişkileri haritalandırarak ve bu ilişkilerin modelin her resimde “nereye baktığını” yönlendirmesine izin vererek C2G‑HFMTA bilgisayar tabanlı cilt kanseri teşhisini önemli ölçüde iyileştiriyor. Sistem hâlâ daha büyük ve daha çeşitli klinik koleksiyonlarda doğrulama gerektirse de, dermatologlara — hatta ev tabanlı tarama uygulamalarına — tehlikeli cilt kanserlerini daha erken ve daha yüksek güvenle yakalama konusunda yardımcı olabilecek gelecekteki araçlara işaret ediyor; en önemli nadir vakaları gözden kaçırmadan.

Atıf: Banerjee, T., Chhabra, P., Kumar, M. et al. Hypergraph-based contrastive embedding and attention fusion for detection of skin cancer. Sci Rep 16, 12808 (2026). https://doi.org/10.1038/s41598-026-43351-9

Anahtar kelimeler: cilt kanseri tespiti, dermoskopi AI, kontrastif öğrenme, sınıf dengesizliği, tıbbi görüntü analizi