BigEye: diyabetik retinopati tespiti ve evre tahmini için klinik olarak yorumlanabilir bir derin öğrenme çerçevesi

Neden basit bir göz fotoğrafı görmeyi kurtarabilir

Diyabetli birçok kişide görme kaybı sessizce ilerler. Doktor muayenehanesinde çekilen tek bir göz fotoğrafı, belirtiler ortaya çıkmadan çok önce erken hasarı ortaya çıkarabilir; ancak bu görüntüleri yorumlamak için uzmanlara ihtiyaç vardır. Bu çalışma, bu fotoğraflardan diyabetik göz hastalığını tespit etmekle kalmayıp, kararlarını doktorların zaten kullandığı terimlerle açıklayabilen “BigEye” adlı bir bilgisayar sistemi tanıtıyor; bu da taramayı daha hızlı, daha tutarlı ve güvenilir hale getirebilir.

Diyabetin gözü sessizce nasıl zedelediği

Diyabetik retinopati, gözün arkasındaki ışığı algılayan doku olan retina üzerinde hasara yol açan diyabetin bir komplikasyonudur. Yüksek kan şekeri, bu dokuyu besleyen ince damarları zayıflatır; bunlar sızdırabilir, tıkanabilir veya anormal şekilde büyüyebilir. Zaman içinde bu hasar, damarların küçük balonlaşmaları, küçük kanama noktaları, yağ ve protein içeren sarımsı birikintiler, sinir dokusunun kaybuna bağlı tüylü beyaz lekeler ve retinayı koparabilen hassas yeni damarlar gibi belirgin işaretler olarak ortaya çıkar. Doktorlar bu değişiklikleri fundus adı verilen özel fotoğraflarda inceler ve hastalığın ilerleme derecesini hastalıksızdan ileri görmeyi tehdit eden evrelere kadar sınıflandırmak için uluslararası beş aşamalı bir ölçek kullanır.

Doktorların sorgulayabilecekleri makineler istemelerinin nedeni

Derin öğrenmeye dayanan bilgisayar programları, fotoğraflarda diyabetik göz hastalığını tespit etmede zaten göz doktorlarıyla eşdeğer performans gösteriyor ve bazıları klinik kullanım için onaylandı. Ancak bu sistemlerin birçoğu “kara kutu” gibi davranıyor: yüksek doğruluk sağlarken belirli bir karara nasıl ulaştıklarına dair çok az içgörü sunuyorlar. Teşhisleri açıklamak, tedavi risklerini değerlendirmek ve nadir ama ciddi hatalardan sakınmak zorunda olan hekimler için bu şeffaflık eksikliği büyük bir engel teşkil ediyor. Gerçekte istedikleri şey, insan uzmanlarla benzer terimlerde düşünen araçlar — mesela araç, “Bu vakayı orta dereceli hastalık olarak nitelendirdim çünkü retinanın bu bölgelerinde çok sayıda küçük balonlaşma ve bazı yağlı birikintiler görüyorum” diyebilen araçlar.

BigEye’ın farkı ne

BigEye, klinisyenlerin retinaya ilişkin hasarı nasıl düşündüklerini taklit edecek şekilde geliştirildi. Araştırmacılar, yerel bir hastaneden ve Fransa’da halka açık bir tarama programından alınan göz fotoğraflarını birleştirerek hastalığın beş evresini kapsayan 600’den fazla görüntü topladı. Uzmanlar bu görüntüler üzerinde altı ana hasar türünü titizlikle izlediler: damarların küçük balonlaşmaları, kanama alanları, yağlı birikintiler, tüylü beyaz sinir lekeleri, anormal yeni damarlar ve lazer tedavisine bağlı izler. Ardından bir derin öğrenme modeli, bu konturları otomatik olarak yeniden üretmeyi öğrenecek şekilde eğitildi — temelde yeni bir fotoğraf gördüğünde her bir hasar türünü kendi başına boyamayı öğrenmek gibi.

Lekeleri ve izleri evreye dönüştürmek

BigEye bu hasarlı alanları vurgulayabildiğinde, sistem bunları basit ölçümlere çeviriyor: her lezyon türünden kaç tane bulunduğu ve retina ile karşılaştırıldığında ne kadar alan kapladığı. Bu ölçümler, resmi hastalık evresini tahmin etmekle görevli birkaç farklı makine öğrenmesi modeline beslenen bir sayı tablosu oluşturuyor. En iyi performans gösteren model, Light Gradient Boosting adlı ağaç tabanlı bir yaklaşım, evreleri yaklaşık %83 doğrulukla sınıflandırdı. Özellikle hastalıksız gözleri daha ciddi hasarlı gözlerden ayırmada iyi performans gösterdi; ancak bazen orta ile şiddetli hastalık gibi komşu evreleri, desenleri çok benzer olduğunda karıştırdı.

Modelin akıl yürütmesine göz atmak

BigEye’ın bir klinisyen gibi mı düşündüğünü test etmek için ekip, hangi lezyon ölçümlerinin her evre tahminini en güçlü şekilde etkilediğini görmek üzere SHAP adı verilen bir teknik kullandı. Elde edilen desenler tıbbi kılavuzu yakından yansıttı. Hastalıksız olarak etiketlenen görüntüler, tüm lezyon türlerinde çok düşük sayılarla ilişkilendirildi. Hafif hastalık öncelikle insan değerlendiricilerin beklediği gibi damarların küçük balonlaşmaları ile yönlendirildi. Orta derece hastalık bu balonlaşmalarla yağlı birikintilerin karışımını gösterirken, şiddetli hastalık daha fazla kanama noktası ve tüylü beyaz lekelerle ilişkilendirildi. En ileri evre ise yeni damar büyümesi ve lazer tedavisiyle kalan izlerin güçlü göstergelerine büyük ölçüde bağlıydı — bu da uzmanların bu gözleri değerlendirme biçimiyle örtüşüyor.

Diyabetli insanlar için bunun anlamı

BigEye, bir bilgisayarın gizemli iç desenlere güvenmek yerine doktorların güvendiği aynı görünür uyarı işaretlerini kullanarak diyabetik göz hastalığını derecelendirebileceğini gösteriyor. Çalışma nispeten sınırlı bir veri seti kullandı ve en küçük ve en ince lezyonlarla ilgili olarak bazı zorluklar yaşadıysa da yaklaşım umut verici bir yönü ortaya koyuyor: hangi hasar türlerinin her kararı tetiklediğini açıkça gösterirken büyük sayıdaki hastayı hızla tarayabilen sistemler. Diyabetle yaşayan kişiler için bu, daha erken yakalama, daha tutarlı bakım ve gözlerinin içinde neler olup bittiği ve görmelerini nasıl koruyacakları konusunda doktorlarıyla daha iyi konuşmalar anlamına gelebilir.

Atıf: Gill, H.M., Salem, D.H., Omoru, O.B. et al. BigEye: a clinically interpretable deep learning framework for diabetic retinopathy detection and stage prediction. Sci Rep 16, 12574 (2026). https://doi.org/10.1038/s41598-026-43573-x

Anahtar kelimeler: diyabetik retinopati, retinal görüntüleme, açıklanabilir yapay zeka, tıbbi derin öğrenme, göz hastalıkları