BM3D ve YOLOv8 ile Hibrit CNN–transformer modeli: Düşük doz BT taramalarında akciğer kanserinin erken tespiti

Akciğer kanserini daha erken yakalamanın önemi

Akciğer kanseri, dünya çapında diğer tüm kanserlerden daha fazla can almaktadır; bunun başlıca nedeni çoğu kez çok geç teşhis edilmesidir. Hekimler, risk altındaki kişileri taramak için giderek daha fazla düşük doz BT taramalarını —daha az radyasyonla alınan X‑ray görüntülerini— kullanıyor. Ancak bu görüntüler gürültülüdür ve uyarı işaretleri olan nodüller çok küçük olabilir ve kolayca kaçabilir. Bu çalışma, bu taramaları temizleyen ve şüpheli alanları daha erken ve daha doğru şekilde işaretlemeye yardım eden bir bilgisayar sistemi sunar; amaç radyologların yerini almak değil, onları desteklemektir.

Nazik taramalardan daha temiz görüntüler

Düşük doz BT taramaları, hastaları standart taramalara kıyasla daha az radyasyona maruz bıraktığı için caziptir; buna karşın akciğerleri 3B ayrıntı ile gösterir. Takas ise görüntüde ekstra grenlilik ve arka plana karışan zayıf yapılar olur. Yazarlar ilk olarak bu sorunu, kenarları ve şekilleri korurken gürültüyü gidermeye yönelik gelişmiş bir görüntü temizleme adımı olan BM3D ile ele alır. Birkaç filtreleme yöntemini test ederler ve BM3D’nin netlik ile sadakat arasında en iyi dengeyi verdiğini, bilgisayarı veya radyoloğu yanıltabilecek bozulmalar eklemeden ince akciğer nodüllerini görünür tuttuğunu bulurlar.

Sadece akciğerlere odaklanmak

Ham göğüs taramaları kaburga, omurga, kalp ve diğer dokuları içerir; bunlar otomatik bir sistemi şaşırtabilir. Önemli olana odaklanmak için ekip, modern bir nesne algılama ağı (YOLOv8) kullanarak yalnızca akciğer bölgelerini çizer ve çıkarır. Birçok taramada akciğer sınırlarını elle anotlar, sistemi bu şekilleri tanıyacak biçimde eğitir ve ardından her görüntüyü otomatik olarak yalnızca akciğer görünümüne kırpar. Bu adım ilgisiz yapıları keser ve normal dokuların veya tarama artefaktlarının hastalıkla karıştırılma riskini azaltır; ayrıca sonraki işlemleri daha verimli hale getirir.

Riskli nodülleri tespit etmeyi öğreten hibrit bir yapay beyin

Çalışmanın özünü, görüntüleri analiz etmenin birbirini tamamlayan iki yolunu birleştiren hibrit bir model oluşturur. Konvolüsyonel sinir ağları (CNN’ler), piksellerin küçük komşuluklarını tarayıp kenarlar, dokular ve nodüllerin yuvarlak ya da düzensiz konturları gibi ayrıntılı desenleri öğrenir. Dil için geliştirilen transformer’lar ise uzak ilişkileri görmede, görüntedeki farklı bölgelerin birbirleriyle nasıl ilişkili olduğunu anlamada üstündür. Bu sistemde temizlenmiş, sadece akciğer içeren görüntüler önce zengin mekansal özellikleri çıkarmak için CNN katmanlarından geçirilir. Bu özellikler daha sonra yamalara ayrılır ve farklı akciğer bölgelerinin nasıl etkileştiğini öğrenen transformer bloklarına beslenir; bu, modelin aksi halde gözden kaçabilecek zayıf veya dağınık kanser işaretlerini fark etmesine yardımcı olur.

Eğitim, test ve mevcut araçları geride bırakma

Model, her biri radyologlar tarafından nodül büyüklüğü ve kanser olasılığı açısından dikkatle işaretlenmiş binin üzerinde akciğer BT taramasından oluşan büyük bir genel veri kümesi üzerinde eğitilip değerlendirilir. Yazarlar, aynı kişinin görüntülerinin eğitim, doğrulama ve test bölümlerinden birden fazla yerde yer almamasını sağlayarak hastaları bu gruplara ayırır; bu, aşırı iyimser sonuçların önüne geçer. Ayrıca küçük dönüşler ve parlaklık değişiklikleri gibi veri artırma yöntemleriyle gerçek dünya değişkenliğini taklit ederler. Standart CNN’ler, popüler görüntü ağları ve yalnızca vision transformer’lar dahil olmak üzere yaygın kullanılan derin öğrenme sistemleriyle karşılaştırıldığında, hibrit yaklaşım en iyi performansı gösterir. Kanserli ile kansersiz vakaları yaklaşık %95 doğrulukla ayırt eder; duyarlılığı yüksek (çok az atlanan kanser), özgüllüğü yüksek (az yanlış alarm) ve segmentasyon kalitesi ile genel ayırt edicilikte güçlü puanlar elde eder.

Ümitler ve kalan engeller

Bu kazanımlara rağmen, yazarlar böyle bir sistemin kliniklerde rutin olarak kullanılabilmesi için önemli zorlukları kabul eder. Kullandıkları genel veri kümesi iyi etiketlenmiş olsa da, dünyadaki cihazların, hastanelerin ve hasta popülasyonlarının tüm çeşitliliğini yansıtmayabilir ve sağlıklılardan daha az kanser vakası içerir. Hibrit model ayrıca basit ağlara göre daha karmaşık ve hesaplama açısından daha talepkardır; bu da daha küçük merkezlerde konuşlandırmayı sınırlayabilir. Son olarak, birçok derin öğrenme sisteminde olduğu gibi içsel akıl yürütmesi opaktır; klinisyenler belirli bir nodülün neden işaretlendiğini kolayca göremez. Yazarlar, daha hafif modeller, çok merkezli testler, tarama verilerinin diğer tıbbi bilgilerle birleştirilmesi ve radyologların sistemi daha iyi güvenip yorumlayabilmesi için açıklanabilirlik araçları eklenmesi yönünde gelecekteki çalışmalar önerirler.

Hastalar için anlamı

Basitçe söylemek gerekirse, bu çalışma düşük doz BT görüntülerini dikkatle temizlemenin, yalnızca akciğerlere odaklanmanın ve ardından birleşik bir "yerel ve küresel" yapay zeka kullanmanın şüpheli akciğer bölgelerini birçok mevcut yönteme kıyasla daha erken ve daha güvenilir bulabileceğini gösterir. Henüz tak‑çıkar bir hastane aracı olmasa da yaklaşım, yoğun çalışan radyologların daha fazla erken kanseri yakalamasına ve gereksiz korkuları azaltmasına yardımcı olabilecek tarama sistemlerine işaret eder. Gerçek dünya koşullarında iyileştirilip doğrulanırsa, bu tür hibrit modeller akciğer kanserini hâlâ yüksek oranda tedavi edilebilirken tespit etme mücadelesinde önemli birer iş arkadaşı olabilirler.

Atıf: Thakral, G., Kumar, U. & Gambhir, S. Hybrid CNN–transformer model with BM3D and YOLOv8 for early detection of lung cancer in low-dose CT scans. Sci Rep 16, 13597 (2026). https://doi.org/10.1038/s41598-026-43517-5

Anahtar kelimeler: akciğer kanseri taraması, düşük doz BT, derin öğrenme, tıbbi görüntü analizi, bilgisayar destekli tanı