RDE-DR: fundus görüntülerinden otomatik diyabetik retinopati tespiti için sağlam derin topluluk CNN’leri

Diyabetliler için göz taramalarının önemi

Diyabetik retinopati, gözün arkasındaki ışığı algılayan dokuyu yavaşça hasara uğratan bir diyabet komplikasyonudur. Erken yakalandığında, görme kaybı olmadan önce tedavi edilebilmektedir. Ancak binlerce retina fotoğrafını elle incelemek uzmanlar için zaman alıcıdır. Bu çalışma, dikkatle tasarlanmış bir yapay zeka modeli karışımının bu görüntüleri daha güvenilir şekilde taramaya nasıl yardımcı olabileceğini araştırıyor; böylece risk altındaki kişiler daha erken tespit edilirken sağlıklı hastalar gereksiz takiplerden kaçınabilir.

Göz fotoğraflarında uyarı işaretleri aramak

Araştırmacılar, APTOS 2019 adlı kamuya açık bir koleksiyondaki fundus olarak bilinen retina renkli fotoğraflarına odaklanıyor. Bu görüntüler, diyabetik hasarı işaret eden küçük kan damarlarını ve kanama ya da sızıntı lekelerini gösterir. Ekip, orijinal beş tıbbi derecelendirmeyi, büyük ölçekli tarama için daha önemli olan basit bir soruya dönüştürüyor: Bu gözde herhangi bir diyabetik retinopati var mı yok mu? Bu, otomatik bir sistemin binlerce hasta için hızla verebileceği evet veya hayır kararına indirgeniyor.

Bilgisayarların gizli detayları görmesini kolaylaştırmak

Gerçek dünya göz fotoğrafları keskinlik, parlaklık ve renk bakımından büyük farklılıklar gösterir; bu da bilgisayar modellerini şaşırtabilir. Bu sorunu azaltmak için yazarlar, gürültüyü abartmadan yerel detayları aydınlatan CLAHE adlı kontrast arttırma tekniğini kullanıyor. Tüm görüntüler standart küçük bir kareye yeniden boyutlandırılıyor, renkleri normalize ediliyor ve eğitim sırasında sistemin tek bir kamera açısına veya aydınlatma koşuluna fazla uyum sağlamaması için rastgele döndürmeler ve çevirmeler uygulanıyor. Veri kümesi, görüntülerin beşte dördü modelleri eğitmek için, beşte biri ise sistemin yeni vakalara ne kadar iyi genelleştiğini test etmek için ayrılacak şekilde bölünüyor.

Tek model yerine birçok göz

Tek bir derin öğrenme modeline bağımlı olmak yerine çalışma, büyük bir günlük fotoğraf koleksiyonu üzerinde ilk geliştirilen dört popüler konvolüsyonel sinir ağını eğitiyor. Alanda VGG16, VGG19, ResNet50 ve DenseNet121 olarak bilinen bu modeller, sağlıklı ve hastalıklı retinayı tanımak üzere yeniden eğitiliyor. Her biri tek başına zaten çok iyi performans gösteriyor; test görüntülerinin yaklaşık %98’ini doğru sınıflandırıyor ve yalnızca birkaç hastalıklı gözü kaçırıyor. Çalışmanın ana fikri, onların güçlü yönlerini basit oylama, ortalama güven veya daha gelişmiş bulanık mantık esinli kurallar dahil olmak üzere birkaç karar-birleştirme şemasıyla birleştirmek.

Model görüşlerini dikkatle birleştirmek

Ekip, her zaman aynı eğitim reçetesi altında dört model çıktısını harmanlamanın yedi yolunu sistematik olarak inceliyor. Ayrıca bir olasılığın evet veya hayır tahminine dönüştüğü eşik noktasını varsayılan yarım yerine ince ayarlıyor. Çok sayıda eşik tarayarak doğruluk, duyarlılık ve hassasiyetin nasıl değiştiğini ölçüyorlar; bu, hem kaçırılan hastalığı hem de aşırı yanlış alarmı önlemek zorunda olan tarama araçları için çok önemli. Ardından basit doğruluğun ötesine bakıp modellerin sağlıklı ile hastalıklı görüntüleri ne kadar kesin ayırdığını alıcı işletim eğrileri ve olasılık yoğunluk grafikleriyle değerlendiriyorlar.

Sonuçların gelecekteki göz taramaları için anlamı

Genel olarak, topluluk yöntemleri zaten güçlü olan tek model sonuçlarını koruyor veya biraz iyileştiriyor; yaklaşık %98,6 doğruluğa ve sınıfları ayırma konusunda çok yüksek bir skora ulaşıyor. Çoğunluk oylaması veya güven değerlerinin ortalaması gibi basit şemalar dikkat çekici şekilde kararlı kalırken, bulanık yöntemlerden biri tasarım seçimlerine daha duyarlı olup daha dengesiz performans veriyor. Bir okuyucu için ana mesaj, görüntüleri dikkatle temizleyip oylamaların nasıl birleştirileceğini ince ayar yaptıktan sonra birkaç iyi eğitilmiş görüntü okuyucusunun birleştirilmesinin daha güvenilir bir otomatik asistan ortaya koymasıdır. Böyle bir araç göz doktorlarının yerini almayacak, ancak çok sayıda retina fotoğrafını hızla ayırarak klinik zamanını erken sorun belirtisi gösteren hastalara odaklanmak için yardımcı olabilir.

Atıf: Aiche, I., Brik, Y., Attallah, B. et al. RDE-DR: robust deep ensemble CNNs for automated diabetic retinopathy detection from fundus images. Sci Rep 16, 15226 (2026). https://doi.org/10.1038/s41598-026-48669-y

Anahtar kelimeler: diyabetik retinopati, fundus görüntüleme, derin öğrenme, topluluk modelleri, tıbbi tarama