CNN-RNN yöntemleriyle akciğer hastalıklarının tanınmasını geliştirmek

Neden daha akıllı akciğer taramaları önemli?

Zatürre, COVID ve tüberküloz gibi solunum hastalıkları her yıl milyonlarca insanın ölümüne yol açıyor; özellikle doktor ve görüntüleme ekipmanının kıt olduğu düşük gelirli ülkelerde bu rakamlar daha yüksek. Göğüs röntgenleri ucuz ve yaygın olsa da yorumlanmaları zor olabilir ve farklı akciğer hastalıkları sıklıkla benzer görünür. Bu çalışma, kompakt bir yapay zeka biçiminin röntgen görüntülerinde birkaç tür akciğer sorununu daha hızlı ve güvenilir biçimde tespit etmeye nasıl yardımcı olabileceğini araştırıyor; amaç eğitilmiş klinisyenlerin yargısını değiştirmek değil, desteklemektir.

Akciğerlere yönelik küresel yük

Yazarlar, akciğer hastalıklarının dünya çapında önde gelen ölüm nedenlerinden biri haline geldiğini, özellikle Bangladeş’te ağır bir yük oluşturduğunu anlatarak başlar. Kirlilik, toz, duman ve enfeksiyonlar zatürre, astım, tüberküloz, influenza, COVID ve diğer kronik solunum bozukluklarının artmasına katkıda bulunur. Öksürük, göğüs ağrısı ve nefes darlığı gibi belirtiler örtüşür; bu da yalnızca klinik bulgulara dayanarak bir durumu diğerinden ayırmayı zorlaştırır. Aynı zamanda pek çok bölgede röntgenleri okuyacak yeterli radyolog bulunmamakta ve tanı gecikmeleri, özellikle küçük çocuklar ve eşlik eden başka sağlık sorunları olan yaşlı yetişkinler için ölümcül olabilmektedir.

Röntgenleri bilgisayarın okuyacağı desenlere dönüştürmek

Röntgen makineleri BT tarayıcılarına göre çok daha yaygın ve uygun maliyetli olduğundan çalışma, göğüs röntgenlerinin otomatik okunmasına odaklanır. Araştırmacılar, COVID-19, akciğer opasitesi, normal akciğerler veya viral pnömoni olarak etiketlenmiş yirmi binden fazla görüntü içeren büyük, kamuya açık bir koleksiyon kullanır. Sistemi eğitmeden önce her görüntüyü dikkatle yeniden boyutlandırır, normalleştirir ve ardından birçok küçük kare yama halinde bölerler. Bu adım veri çeşitliliği katar ve modelin enfeksiyon veya sıvı belirtisi olabilecek ince ayrıntılara dikkat etmesine yardımcı olur. Görüntüler daha sonra sistemin daha önce görmediği röntgenler üzerinde değerlendirilebilmesi için eğitim ve test kümelerine ayrılır.

Her görüntü üzerinde iki dijital göz

Çalışmanın çekirdeği, C RNet adını verdikleri yeni hibrit bir modeldir ve iki farklı sinir ağı türünü birleştirir. Bir dalga, tüm röntgeni tarayan; bulutlu alanlar, keskin kenarlar ve genel akciğer şekli gibi mekânsal desenleri öğrenen geleneksel bir görüntü tanıyıcı bulunur. İkinci dalga ise yamalar ızgarasını bir dizi olarak ele alır ve küçük bölgelerin görüntü boyunca birbirleriyle nasıl ilişkilendiğini yakalamak için tekrarlayan bir ağ (recurrent network) kullanır. Bu iki dalın çıktılarını birleştirerek sistem hem yerel ayrıntıları hem de gölgelerin akciğerin bir bölümündeki değişikliklerin diğer yerlerle nasıl örtüştüğü gibi daha geniş bağlamı öğrenir. Son katman bu birleşik bilgiyi dört olası teşhisten birine dönüştürür.

Makinanın ne gördüğünü görmek

Sistemi klinisyenler için daha güvenilir kılmak amacıyla yazarlar Grad CAM adında açıklanabilir bir yapay zeka aracını ekler. Bu yöntem, orijinal röntgenin üzerine renkli bir ısı haritası bindirerek modelin kararını en çok etkileyen bölgeleri vurgular. Testlerde C RNet genellikle akciğer alanları içindeki gerçekçi hastalık bölgelerine odaklanma eğilimindeyken, karşılaştırma modelleri bazen omuzlar veya diyafram yakınlarındaki alakasız bölgeleri de aydınlatır. Bu görsel geri bildirim, radyologların algoritmanın anlamlı anatomiyi mi yoksa görüntüdeki gürültü ya da artefaktları mı izlediğini değerlendirmesine yardımcı olabilir.

Sistemin performansı nasıl?

Tam veri kümesi üzerinde değerlendirildiğinde C RNet, yaklaşık her 100 vakadan 94’ünde akciğer durumunu doğru sınıflandırdı ve Xception, VGG19, bir vision transformer ve daha basit bir şekilde tekrarlayan katmanla bağlanmış bir CNN gibi tanınmış birkaç derin öğrenme modelini geride bıraktı. Özellikle COVID ve viral pnömoniyi tanımada güçlüydü; aynı zamanda normal akciğerleri ve daha ince akciğer opasitesi vakalarını ayırt edebildi. Önemli olarak model, iki milyondan az eğitilebilir parametre ve yaklaşık yedi megabayt dosya boyutuyla bu doğruluğa ulaşıyor; bu da onu birçok popüler görüntü tanıma ağından çok daha küçük yapıyor. Bu kompakt tasarım, özel donanım gerektirmeden mütevazı bilgisayarlarda veya hastane makinelerinde çalışabilmesini sağlıyor.

Bu hastalar ve klinikler için ne anlama geliyor?

Herkese yönelik mesaj, çalışmanın akıllı ama hafif bir bilgisayar programının doktorların göğüs röntgenlerini daha tutarlı şekilde okumasına yardımcı olabileceğini göstermesidir. Aynı görüntüyü iki farklı bakış açısıyla birleştirip hangi akciğer bölümlerinin kararını etkilediğini göstererek C RNet hem doğruluk hem de şeffaflık sunar. Kaynakların kısıtlı olduğu ortamlarda böyle bir araç, şüpheli vakaları daha yakından inceleme için işaretleyerek ve ciddi akciğer enfeksiyonlarının daha erken tespit edilmesine yardımcı olarak ekstra bir göz işlevi görebilir. Tıp uzmanlığının yerini almasa da, ihtiyaç duyulan yerlerde daha hızlı ve güvenilir tanılara destek olma potansiyeline sahiptir.

Atıf: Zahin, I.A., Ahsan, M.F., Orni, R.A. et al. Enhancing lung diseases recognition through CNN-RNN methodologies. Sci Rep 16, 15819 (2026). https://doi.org/10.1038/s41598-026-45842-1

Anahtar kelimeler: akciğer hastalığı, göğüs röntgeni, derin öğrenme, tıbbi görüntüleme yapay zekası, pnömoni tespiti