Gelişmiş hibrit dönüştürücü-CNN çerçevesi ile iyileştirilmiş cilt lezyonu sınıflandırması ve segmentasyonu

Cilt kanserini erken tespit etmenin önemi

Cilt kanseri dünya çapında en yaygın kanserlerden biridir, ancak erken yakalandığında en tedavi edilebilir olanlar arasındadır. Hekimler, hangi benlerin veya lekelerin tehlikeli olabileceğine karar verirken giderek daha fazla yakından çekilmiş fotoğraflara güveniyor. Yine de görüntüler düşük kontrastlı, yetersiz aydınlatılmış veya kıllarla örtülmüş olduğunda uzmanlar bile zorlanabiliyor. Bu çalışma yardımcı olmak için yeni bir yapay zeka (YZ) sistemi sunuyor: sistem sadece hangi tür cilt lezyonunun bulunduğunu belirlemekle kalmıyor, aynı zamanda zor görüntülerde bile endişe alanını yüksek hassasiyetle tam olarak çiziyor.

Hekimler için iki aşamalı bir yardımcı

Yazarlar, bir dermatologun çalışma biçimini yansıtan çift aşamalı bir sistem öneriyor. İlk olarak GlobalSkinNet adlı modelleri, büyütülmüş bir cilt görüntüsüne bakıp hangi lezyon türünün olası olduğunu belirliyor; iyi huylu büyümeleri melanom gibi tehlikeli kanserlerden ayırıyor. İkinci olarak, SkinFormNet adlı eşlik eden model aynı görüntüyü alıp lezyonun sınırını piksel piksel izleyen ayrıntılı bir maske üretiyor. Bu iki adım birlikte hem “bu nedir?” sorusuna yanıt hem de teşhis, tedavi planlaması ve zaman içindeki karşılaştırmalar için destekleyebilecek net bir “nerede?” haritası sağlıyor.

Cilt görüntülerindeki desenleri görmenin yeni yolları

İşin içinde her iki model de güçlü ama farklı iki YZ tekniğini birleştiriyor. Konvolüsyonel sinir ağları, düzensiz kenarlar veya bir bene içindeki ince renk değişimleri gibi ince dokuları ve kenarları tespit etmekte iyidir. Başlangıçta dil için geliştirilen dönüştürücü (transformer) ağlar ise görüntünün farklı bölgelerinin birbirleriyle nasıl ilişkilendiği gibi küresel bağlamı anlamada üstündür. GlobalSkinNet, görüntüyü örtüşen parçalara bölen ve hem yerel hem geniş kapsamlı dikkat uygulayan “küresel bağlamsal” bir dönüştürücü kullanıyor; bu sayede küçük görsel ipuçlarını yakalarken lezyonun genel şekli ve çevresini de takip edebiliyor. SkinFormNet ise dönüştürücü tabanlı bir özellik çıkarıcıyı, lezyonun keskin ve temiz bir konturunu kademeli olarak yeniden inşa eden U-şeklinde bir çözücüyle birleştiriyor.

Gerçek dünya, dağınık veriler üzerinde test edildi

Bu çalışmanın önemli bir gücü, geniş kapsamlı şekilde test edilmiş olmasıdır. Birçok önceki YZ çalışması yalnızca bir veya iki düzenli veri kümesine dayanırken, bu sistem PH2, HAM10000 ve 2016–2020 ISIC yarışmaları dahil olmak üzere dermoskopik görüntülerin neredeyse tüm önemli kamu koleksiyonları üzerinde değerlendirilmiş. Bu veri setleri kamera türü, aydınlatma, görüntü kalitesi ve hasta popülasyonları bakımından farklılık gösteriyor ve hem iyi huylu hem kötü huylu lezyonları içeriyor. Bu çeşitliliğe rağmen GlobalSkinNet birkaç veri kümesinde yaklaşık %97–100 doğruluk sağlıyor ve cilt kanserlerinin en öldürücüsü olan melanom konusunda güçlü duyarlılığı koruyor. SkinFormNet de tahmin edilen maskeleri ile uzman çizimleri arasındaki örtüşmede çok yüksek skorlar elde ediyor ve sıklıkla önceki önde gelen yöntemleri geride bırakıyor.

Model kararlarının iç yüzüne bakmak

Tıbbi YZ güvenilir olmak zorunda olduğu için araştırmacılar sistemlerinin gerçekte “neye baktığını” da inceliyor. Bir karar için en etkili görüntü bölgelerini vurgulayan bir görselleştirme tekniği kullanarak, modelin klinik açıdan anlamlı alanlara odaklanma eğiliminde olduğunu gösteriyorlar: düzensiz sınırlar, renk değişimleri ve lezyondaki asimetri; arka plan cildi, kılları ve cetvelleri ise büyük ölçüde görmezden geliyor. Sistem başarısız olduğunda, hataları insanın zorlandığı durumlara benziyor; örneğin çok bulanık sınırlar veya lezyonun normal cilde kademeli şekilde karışması gibi. Bu analizler modelin davranışının dermatologların risk hakkında düşündükleriyle uyumlu olduğunu, rastgele veya yanıltıcı ipuçlarına dayanmadığını düşündürüyor.

Gelecekteki cilt kontrolleri için anlamı

Sadeçe ifade etmek gerekirse, bu çalışma hem şüpheli bir beni etiketleyebilen hem de şekline temizce renk verebilen bir YZ asistanı sunuyor; fotoğraf gürültülü veya düzensiz aydınlatılmış olsa bile. İki tamamlayıcı sinir ağı ailesini birleştirerek çerçeve, birçok önceki tek amaçlı araçtan daha güvenilir performans sunuyor. Yine de gerçek dünya klinik testlerine ve günlük cihazlar için daha hafif sürümlere ihtiyaç olsa da, çalışma dermatologların böyle sistemleri ikinci bir göz olarak kullanabileceği bir geleceğe işaret ediyor — tehlikeli kanserleri daha erken yakalamaya, gereksiz biyopsileri azaltmaya ve nihayetinde hasta sonuçlarını iyileştirmeye yardımcı olabilir.

Atıf: Yousaf, N., Amin, J., Butt, W.H. et al. Advanced hybrid transformer CNN framework for improved skin lesion classification and segmentation. Sci Rep 16, 13592 (2026). https://doi.org/10.1038/s41598-026-43376-0

Anahtar kelimeler: cilt kanseri, dermoskopi, derin öğrenme, tıbbi görüntüleme, lezyon segmentasyonu