DermaScanAI: çift dikkat ve meta veri birleşimi kullanan açıklanabilir hibrit derin öğrenme çerçevesi ile otomatik cilt lezyonu sınıflandırılması

Neden daha akıllı benek kontrolleri önemli

Cilt kanseri en yaygın kanserlerden biridir ve erken tespit hayat kurtarabilir. Yine de birçok kişi şüpheli bir benek için aylardır ya da yıllarca bekleyebiliyor ve deneyimli doktorlar bile zor vakaları değerlendirmede zorlanabiliyor. Bu çalışma, deri görüntülerini ve temel hasta bilgilerini inceleyerek zararsız lekeleri tehlikelilerden ayırmaya yardımcı olmak üzere tasarlanmış ve verdiği karara neye baktığını açıkça gösteren bir bilgisayar sistemi olan DermaScanAI’yı tanıtıyor.

Bilgisayarlara cilt görüntülerini öğretmek

Dermatologlar sıklıkla dermoskop adı verilen elde taşınan bir cihazla beneklerin ve diğer lekelerin yakın plan görüntülerini yakalar. Bu görüntüler kanserin işaret edebileceği küçük renk ve doku desenlerini ortaya koyar, ancak saç, düzensiz aydınlatma ve kamera farkları gibi dikkat dağıtan öğeler de içerir. DermaScanAI, görüntüleri temizleyerek başlar: saçları dijital olarak giderir, parlaklık ve renkleri dengeler ve lezyon bölgesini standart bir boyuta büyütür. Sistem daha sonra veriyi çoğaltır; görüntüleri çevirir, döndürür ve renkleri hafifçe değiştirir, böylece bilgisayar her lezyonun birçok gerçekçi varyasyonunu görür ve gerçek dünya çeşitliliğiyle daha iyi başa çıkar.

Hem ince ayrıntıları hem de daha geniş resmi görmek

Geçmişteki birçok bilgisayar aracı ya yalnızca küçük yerel desenlere ya da yalnızca genel şekle odaklanıyordu; bu da çok farklı lezyonların bazı kısımları benzer göründüğünde karışıklığa yol açabiliyordu. DermaScanAI bu sorunu önlemek için iki tür desen tanımayı birleştirir. Önce, kenarlar, renk noktaları ve doku gibi ince ayrıntıları farklı ölçeklerde ayırt eden modern bir konvolüsyonel ağ — görüntü işleme motoru — kullanılır. Bunun üstüne, özel dikkat modülleri sistemin en bilgilendirici renk kanallarına ve görüntü bölgelerine "sesini yükseltmesine", aynı zamanda işe yaramayan arka plan bölgelerini bastırmasına yardımcı olur.

Küresel bağlam ve hasta ipuçlarını eklemek

En önemli görüntü bölgelerine odaklandıktan sonra DermaScanAI rafine edilmiş özellikleri hafif bir dönüştürücü (transformer) modülüne iletir. Modelin bu bölümü görüntünün uzak bölgelerini bağlamada iyidir; böylece bir benegin merkezi ile sınırını ve çevreleyen cildi ilişkilendirebilir. Aynı zamanda sistem yaş, cinsiyet ve lezyonun vücut konumu gibi basit hasta bilgilerini de getirir. Bu ipuçları, genç birinin bacağındaki koyu bir lekenin benzer bir lekenin yaşlı birinin sırtındaki durumundan farklı bir risk taşıyabileceği gibi gerçek klinik uygulamayı yansıtır. Karar vermeden önce görüntü özelliklerini bu temel detaylarla birleştirerek model, bir dermatoloğun bağlamı nasıl değerlendirdiğini taklit eder.

Doktorların inceleyebileceği kararlar almak

Yapay zekanın kliniklerde kullanılmasına yönelik önemli bir engel birçok sistemin kara kutu gibi hissettirmesidir. Bunu ele almak için DermaScanAI açıklanabilirlik modülü içerir. Grad-CAM++ adı verilen bir teknik kullanarak kararında en çok etki eden lezyon bölümlerini vurgulayan ısı haritaları üretir; bir diğer yöntem olan SHAP ise hasta meta verileri dahil olmak üzere her bir bilginin sonucu hangi tanıya doğru ne kadar ittiğini tahmin eder. Bu ısı haritaları orijinal görüntülerin üzerine konup uzmanların çizdiği lezyon sınırlarıyla karşılaştırıldığında güçlü örtüşme gösterir; bu da sistemin rastgele gürültü yerine tıbben anlamlı bölgelere odaklandığını düşündürür.

Sistemin performansı nasıl

Araştırmacılar DermaScanAI’yı melanoma, yaygın benekler ve birkaç iyi huylu durumu içeren yedi cilt lezyonu türünü kapsayan 10.000’den fazla dermoskopik görüntüyü içeren büyük HAM10000 veri seti üzerinde test etti. Eğitme ve çoklu veri bölmeleriyle dikkatli çapraz doğrulama sonrasında model yaklaşık %94.8 genel doğruluk, makro-ortalama F1 skoru yaklaşık %92 ve ROC eğrisi altındaki alan (AUC) 0.962’ye ulaştı; bu da lezyon türlerini ayırma konusunda güçlü bir yeteneği işaret ediyor. Model ayrıca verinin yalnızca bir kısmı ile eğitildiğinde de makul derecede doğru kaldı ve daha az hesaplama kaynağı kullanırken sadece konvolüsyonel ağlar veya transformers üzerine kurulu diğer önde gelen sistemlerle karşılaştırıldığında da olumlu performans gösterdi.

Gelecekteki benek kontrolleri için ne anlama geliyor

Açıkça söylemek gerekirse, bu çalışma dikkatle tasarlanmış bir bilgisayar modelinin farklı cilt lezyonu türlerini yüksek güvenilirlikle sınıflandırabileceğini, basit hasta bilgilerini kararını rafine etmek için kullanabileceğini ve doktorlara cilt üzerinde tam olarak nerelere "baktığını" gösterebileceğini ortaya koyuyor. DermaScanAI henüz bağımsız bir tanı aracı değil: gerçek klinik kararları desteklemeden önce birçok hastane, kamera ve hasta grubunda test edilmesi gerekiyor. Ancak doğru ve şeffaf olacak şekilde tasarlanmış gelecekteki cilt kanseri yardımcıları için açık bir yol haritası sunuyor; bu da doktorların tehlikeli lezyonları daha erken yakalamasına ve hem hastaların hem de klinisyenlerin bu kararların nasıl alındığı konusunda daha fazla güven duymasına yardımcı olabilir.

Atıf: Murali, P., Mazumder, D.H. DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion. Sci Rep 16, 15130 (2026). https://doi.org/10.1038/s41598-026-46011-0

Anahtar kelimeler: cilt kanseri, dermoskopi, derin öğrenme, tıbbi görüntüleme yapay zekası, açıklanabilir yapay zeka