Akciğer hastalıkları sınıflandırması için grafik dikkat ağı tabanlı çok modlu yaklaşım

Neden daha akıllı akciğer kontrolleri önemli

Akciğer hastalıkları dünya genelinde önde gelen ölüm nedenleri arasında yer alır; ancak birçok hastalık erken yakalanırsa tedavi edilebilir. Hekimler genellikle hastanın semptomlarına ilişkin yazılı notlarla birlikte göğüs röntgenlerine dayanarak tanı koyar. Tüm bu bilgileri elle okumak yavaştır ve hata yapmaya açıktır; özellikle farklı hastalıklar görüntüde benzer görünüyorsa veya aynı öksürük ve ateş gibi belirtileri paylaşıyorsa. Bu çalışma, röntgenleri ve klinik metinleri birlikte okuyacak şekilde tasarlanmış bir yapay zeka sistemi sunar; böylece klinisyenlerin çeşitli akciğer sorunlarını daha doğru ve tutarlı şekilde tespit etmelerine yardımcı olur.

Aynı anda görmek ve okumak

Araştırmacılar basit bir fikirden yola çıkar: vücudun hikâyesi hem görüntülerde hem de kelimelerde anlatılır. Göğüs röntgenleri göğüs içindeki şekilleri, gölgeleri ve yoğunlukları ortaya çıkarırken, klinik notlar nefes darlığı veya göğüs ağrısı gibi şikayetleri listeler. Bu ipuçlarını ayrı kabul etmek yerine yeni sistem onları harmanlar. Her röntgeni tıbbi görüntüler üzerinde özel olarak eğitilmiş bir vizyon modeli kullanarak görsel desenleri yakalayan çok sayıda küçük sayısal parçaya dönüştürür. Eşzamanlı olarak, tıbbi yazıya uyarlanmış bir dil modeli klinik açıklamadaki her kelimeyi kendi sayısal temsiline çevirir. Bu iki sayı akışı birlikte, hastanın akciğerinde neler olduğunu gösteren ortak bir tablo oluşturur.

Bağlantılar ağı kurmak

Görüntü ve metin bilgilerini basitçe yan yana koymak, örneğin röntgende küçük bir bulutlu bölgenin yalnızca notta yakın zamanda geçirilmiş bir enfeksiyon belirtilmişse önemli olduğu gibi ince bağlantıları kaçırabilir. Bunu ele almak için yazarlar birleşik veriyi bir grafik—noktalar ve bağlantılardan oluşan bir ağ—olarak temsil eder. Her nokta ya röntgendeki belirli bir bölgeye ya da klinik metindeki belirli bir kelimeye karşılık gelir. Sistem sonra her görüntü bölgesinin her kelimeyle ne kadar ilişkili olduğunu ölçer ve yalnızca en güçlü ilişkileri saklar. Bu, örneğin akciğer kenarındaki parlak bir lekeyi göğüs ağrısı veya sıvıdan söz eden bir ifadeyle ilişkilendiren seyrek ama anlamlı bir ağ üretir.

Tanıda dikkat mekanizimine izin vermek

Bu ağ kurulduktan sonra grafik dikkat modeliyle işlenir. Bu düzenekte grafikteki her nokta komşularına “bakar” ve onlara ne kadar ağırlık vereceğine karar verir; tıpkı bir hekimin tarama özellikleri ve semptomların en ilgili birleşimine odaklanması gibi. Birden çok dikkat “başı” paralel olarak farklı desenleri inceler ve metin ile görüntünün birbirini destekleyebileceği çeşitli yolları yakalar. Model daha sonra tüm grafikten en bilgilendirici sinyalleri toplar ve bunları, o vakada hangi sekiz akciğer durumundan biri ya da normal bulgu olma olasılığının en yüksek olduğunu tahmin eden son karar katmanına besler.

Sistemi teste sokmak

Ekip yöntemi yaklaşık 80.000 göğüs röntgenini kısa klinik açıklamalarla eşleştiren büyük bir halka açık veri seti üzerinde eğitip değerlendirdi; veriler sekiz akciğer hastalığı kategorisine ve normal akciğerlere göre gruplanmıştı. Eğitim ve testi arasında neredeyse kopya vakaların sızmasını önlemek için verileri dikkatle böldüler ve temizlediler. Görülmemiş test görüntüleri ve metinlerde yaklaşımları vakaların yaklaşık 100’ünde 96’sında doğru akciğer durumunu sınıflandırdı; bu, verileri daha kaba şekilde birleştiren veya daha basit grafik yöntemleri kullanan birkaç güçlü rakibi geride bıraktı. Ayrıca güvenilir olasılık puanları üretti; yani güven düzeyi doğru olma sıklığıyla yakından uyuşuyordu. Farklı hastane veri setinde, farklı hastalık sıklıkları nedeniyle performans beklendiği gibi düştü; ancak sistem yine de hastalıkları iyi ayırt etti, bu da gerçek dünyada işe yarayabilecek bir sağlamlık olduğunu gösteriyor.

Hastalar ve hekimler için anlamı

Günlük düzeyde, bu çalışma bir yapay zekâ sisteminin hem görüntüyü hem de raporu birlikte “okumayı” öğrenebileceğini gösteriyor; tıpkı hastanın öyküsünü dikkate alan deneyimli bir radyolog gibi. Görüntü bölgeleri ile belirli semptomlar arasındaki en anlamlı bağlantılara odaklanarak model kaçırılan veya yanlış yapılan tanıları azaltabilir ve belirsiz vakaları daha yakından inceleme için işaretleyebilir. Daha zengin ve daha çeşitli raporlarla gerçek kliniklerde ileri testler gerektiği halde, çalışma akciğer hastalığı tanısını daha hızlı, daha tutarlı ve uzman okuyucudan yoksun hastanelerde daha erişilebilir kılabilecek karar destek araçlarına işaret ediyor.

Atıf: Rahman, M., YongZhong, C. & Bin, L. Graph attention network-based multimodal approach for lung diseases classification. Sci Rep 16, 10914 (2026). https://doi.org/10.1038/s41598-026-44282-1

Anahtar kelimeler: akciğer hastalığı tanısı, göğüs röntgeni, tıbbi yapay zeka, çok modlu öğrenme, graf sinir ağları