CR-MSNet: çoklu-etiketli göğüs röntgeni sınıflandırması için çift-kollu çok ölçekli dikkat ağı

Neden daha akıllı göğüs röntgenleri önemli

Göğüs röntgenleri, tek bir görüntüyle akciğer ve kalp sorunlarının geniş bir yelpazesini araştırmak için dünyada en yaygın yapılan tıbbi testlerden biridir. Yine de bu görüntüleri okumak, deneyimli radyologlar için bile zorludur ve tek bir görüntü aynı anda birden fazla farklı hastalığı saklayabilir. Bu çalışma, CR-MSNet adını taşıyan yeni bir yapay zekâ modelini tanıtıyor; model, göğüs röntgenlerini daha çok uzman gibi okumak üzere tasarlanmış: tüm göğsün genel görünümüne ve küçük, fark edilmesi zor anormalliklere aynı anda dikkat ederken, yalnızca birkaç hastada görülen nadir hastalıklarla da başa çıkabiliyor.

Tüm göğsü ve küçük sorunlu bölgeleri görmek

Mevcut bilgisayar araçlarının çoğu, göğüs röntgenlerine tek bir işleme yolu üzerinden bakar; bu da aynı modelde hem geniş organ şekillerini hem de iğne ucu büyüklüğündeki lezyonları yakalamayı zorlaştırır. CR-MSNet bunun yerine iki paralel yol kullanır. Bir “küresel” yol, akciğerlerin ve kalbin genel yapısına odaklanır; tüm görüntüyü kapsayan uzun menzilli desenleri öğrenir. İkinci “yerel” yol daha küçük bölgelere yakınlaştırarak küçük nodüller ya da göğüs duvarındaki inceleşmeler gibi ince ayrıntıları yakalar. Bu iki yol yan yana çalışarak sistemin büyük, yaygın gölgelerle kendini gösteren hastalıkları ve küçük, keskin lekeler şeklinde görülenleri aynı anda tanımasına olanak verir.

Modele nerelere bakacağını öğretmek

İki yolun olması tek başına yeterli değildir; sistem ayrıca görüntünün hangi kısımlarının en fazla dikkat gerektirdiğine karar vermelidir. CR-MSNet, aynı anda iki şekilde çalışan yeni bir dikkat modülü sunar. İlk olarak, görüntüyü tanımlamanın farklı yolları olarak düşünebileceğiniz çeşitli özellik “kanallarına” farklı ağırlıklar verir; kenarlar, dokular ve parlaklık desenleri gibi ve hastalığı tespit etmede en faydalı olanları güçlendirir. İkincisi, uzayda önemli bölgeleri vurgular; olası lezyon alanlarındaki sinyalleri güçlendirirken kaburga ya da kalp gölgesi gibi dikkati dağıtan yapılara daha az önem verir. Bu iki dikkat türü, orijinal görüntü yapısını koruyan esnek bir şekilde birleştirilir ve modelin farklı lezyon boyutları boyunca anlamlı desenlere odaklanmasına yardımcı olur.

Küresel bağlamı yerel ayrıntıyla harmanlama

Her bir kol röntgenin kendi görüşünü netleştirdikten sonra CR-MSNet bunları çapraz-dikkat mekanizması kullanarak bir araya getirir. Basitçe ifade etmek gerekirse, küresel kol şöyle sorar: “Tüm göğüs hakkındaki anlayışıma göre hangi yerel ayrıntılar en çok önem taşıyor?” Aynı zamanda yerel kol en bilgilendirici ince desenlerini sunar. Çapraz-dikkat adımı bu iki bakış açısının birbirini etkilemesine olanak verir; bu da akciğerlerin ve kalbin genel düzenini koruyan, ancak hassas şekilde yerelleştirilmiş uyarı işaretleriyle zenginleştirilmiş birleşik bir gösterim üretir. Uyarlanabilir bir geçiş bileşeni ise görüntüden görüntüye, birleşik görüşe ne kadar güvenileceğine karşılık verir; bu, yerel ipuçları zayıf veya gürültülü olduğunda istikrarı korumaya yardımcı olur.

Yaygın ve nadir hastalıklarla adil şekilde başa çıkma

Gerçek dünyadaki göğüs röntgeni koleksiyonları oldukça dengesizdir: genel akciğer bulanıklığı gibi bazı sorunlar yaygındır, oysa röntgende görülen fıtık gibi diğerleri nadirdir. Standart eğitim yöntemleri genellikle yaygın koşulları öne çıkarır ve nadirleri gözden kaçırabilir. Bunu önlemek için yazarlar CR-MSNet’i iki aşamada eğitirler. İlk aşamada, modelin farklı anormalliklerin nasıl göründüğüne odaklanabilmesi için geçici olarak hiçbir hastalık göstermeyen görüntüler kaldırılır. İkinci aşamada ise tüm veri kümesi geri getirilir ancak nadir hastalıklara ve sınıflandırması zor örneklere ekstra ağırlık veren ayarlanmış bir kayıp fonksiyonu kullanılır. Bu aşamalı yaklaşım, sistemin sıra dışı bulgulara duyarlı kalmasına yardımcı olurken genel doğruluktan ödün verilmesini engeller.

Yeni sistem ne kadar iyi performans gösteriyor

Araştırmacılar CR-MSNet’i 14 farklı hastalık için etiketlenmiş 100.000’den fazla göğüs röntgeni içeren büyük bir açık veri kümesi olan ChestX-ray14 üzerinde test ettiler. Aynı eğitim ve değerlendirme koşulları altında, modelleri klasik konvolüsyonel ağlar, modern dönüştürücü (transformer) tabanlı modeller ve ikisini harmanlayan diğer melezler dahil olmak üzere önde gelen çok sayıda derin öğrenme yaklaşımını geride bıraktı. Ortalama olarak CR-MSNet, ROC eğrisi altındaki alan (AUC) açısından tüm karşılaştırma yöntemlerinden daha yüksek sonuç elde etti ve fıtık ve bazı kitleler gibi daha küçük veya daha az yaygın durumlarda özellikle güçlü kazanımlar sağladı. Model, yeniden eğitmeden farklı bir veri kümesi olan CheXpert üzerinde değerlendirildiğinde de makul bir dayanıklılık gösterdi; bu, modelin hasta popülasyonlarındaki ve görüntüleme stillerindeki değişikliklere uyum sağlayabileceğini düşündürüyor.

Gelecekteki göğüs röntgeni okuması için anlamı

Günlük kullanım açısından CR-MSNet, bir göğüs röntgenini aynı anda birçok hastalık için tarayabilen, hem büyük hem de küçük sorunlara dikkat eden ve nadir ama önemli durumlara da gereken önemi veren bir yapay zekâ asistanına doğru atılmış bir adımdır. Küresel ve yerel görünümleri akıllı odaklanma mekanizmaları ve dikkatli bir eğitim düzeniyle birleştirerek model, önceki sistemlerin kör noktalarının bir kısmını azaltır. Uzman radyologların yerini almasa da—ve pnömoni gibi çok belirsiz bazı desenlerle hâlâ zorlanıyor olsa da—otomatik triyaj ve karar desteği için daha güvenilir bir başlangıç noktası sunar; bu da tanıyı hızlandırma ve klinisyenlerin büyük hacimli görüntü çalışmalarını daha yüksek güvenle yönetmesine yardımcı olma potansiyeli taşır.

Atıf: Wang, Y., Bao, C., Wang, Z. et al. CR-MSNet: a dual-branch multi-scale attention network for multi-label chest X-ray classification. Sci Rep 16, 14585 (2026). https://doi.org/10.1038/s41598-026-44591-5

Anahtar kelimeler: göğüs röntgeni yapay zekası, çoklu etiketli tanı, derin öğrenme radyoloji, tıbbi görüntü dikkati, dengesiz tıbbi veriler