Serviks kanseri ve lenfoma için çok sınıflı tanıda derin CNN’lerin meta-sezgisel optimizasyonu

Kansere erken yakalamada daha akıllı araçlar

Çoğu kişi için kanser teşhisi hâlâ çoğu zaman çok geç konuyor; tedavi zorlaşıyor ve sağkalım şansı düşüyor. Doktorlar doku örneklerini incelemek için mikroskoplar ve bilgisayarlar kullanıyor, ancak makineleri benzer görünen kanserleri ayırt edecek şekilde eğitmek şaşırtıcı derecede zor. Bu çalışma, doğadan esinlenen arama stratejilerini kullanarak güçlü bir görüntü analiz ağını otomatik şekilde ince ayarlayarak iki ciddi hastalık—serviks kanseri ve lenfoma—için yapay zekayı çok daha güvenilir hale getirmenin yollarını araştırıyor.

Neden kanser görüntüleri bilgisayarları şaşırtıyor

Mikroskop altında, farklı kanserlere ait hücreler birbirinin taklidini yapabilirken aynı kansere ait hücreler şekil, renk ve doku açısından büyük farklılıklar gösterebilir. Bu görsel karışıklık hem insanlar hem de makineler için tutarlı tanılar vermeyi zorlaştırır. Derin öğrenme sistemleri, özellikle popüler bir görüntü ağı olan VGG 16, yararlı görsel desenleri öğrenebilir. Ancak performansları öğrenme hızı, batch boyutu ve modelin ne kadar düzenlendiği gibi birçok gizli ayara büyük ölçüde bağlıdır. Bu ayarlara hiperparametre denir; genellikle elle seçilir veya varsayılan değerlerde bırakılırlar ve özellikle birden fazla kanser türünü aynı anda ayırt etmek hedeflendiğinde doğruluğu sınırlayabilirler.

Büyük verinin gücünden ödün vermeden yararlanmak

Tıbbi görüntü veri kümeleri genellikle küçüktür çünkü yüksek kaliteli etiketlenmiş örnekler toplamak zor ve pahalıdır. Buna çözüm olarak araştırmacılar transfer öğrenmeye başvurur. Çok büyük bir genel görüntü koleksiyonu üzerinde eğitilmiş bir VGG 16 ağından başlanır ve erken katmanları hücre görüntüleri için özellik çıkarıcı olarak yeniden kullanılır. Ardından yeni göreve uyarlanmış özel katmanlar eklenir. Ekip iki açık veri kümesiyle çalışır: beş hücre kategorili bir serviks kanseri seti ve üç alt tipli bir lenfoma seti. Her orijinal veri kümesinde binin altında görüntü vardı, bu yüzden yazarlar dikkatli artırma teknikleriyle küçük döndürmeler, kaydırmalar, yakınlaştırmalar, parlaklık değişiklikleri ve çeviriler gibi işlemler uygulayarak on binlerce çeşitli eğitim örneği oluşturdular.

Sanal hayvanlara düğmeleri ayarlatmak

İyi hiperparametreleri tahmin etmek yerine çalışma, en iyi ayarları aramak için hayvan davranışı ve evrimden esinlenen altı meta-sezgisel algoritma kullanır. Bu yöntemlerde her aday çözüm olasılıklar manzarasında keşif yapan bir canlı gibidir. Whale Optimization Algorithm kambur balinaların av etrafında spiral hareketini taklit eder, Grey Wolf Optimizer kurtların bir hedefi çember içine alıp takip etmesini modelleyerek davranışı yansıtır, Particle Swarm Optimization çözümleri sürüdeki kuşlar gibi ele alır, Genetic Algorithm çözümleri genler gibi yeniden kombinleyip mutasyona uğratır, Ant Colony Optimization sanal feromon izlerini takip eder ve değiştirilmiş bir PSO varyantı erken takılıp kalmayı önlemeye çalışır. Her aday VGG 16 için tam bir eğitim reçetesi tanımlar; ağ kısa süreli eğitilir, doğrulama doğruluğu ölçülür ve meta-sezgisel birkaç tur boyunca daha iyi reçeteleri tercih edecek şekilde popülasyonunu ayarlar.

Reçeteleri ayarlamaktan ağı ince cilalamaya

Çerçeve iki aşamada çalışır. İlk olarak, önceden eğitilmiş VGG 16 donmuş bir özellik çıkarıcı olarak kullanılırken algoritmalar güçlü hiperparametre setlerini arar. İkinci olarak, en iyi set bulununca VGG 16’nın üst katmanları açılır ve bu optimize edilmiş ayarlarla kanser verisi üzerinde ince ayar yapılır; böylece ağ iç filtrelerini spesifik doku desenlerine uyarlayabilir. Sadece beş ajan ve üç yineleme gibi çok küçük arama bütçeleri ve sınırlı sayıda eğitim epoku kullanmalarına rağmen, bu ikili strateji çarpıcı kazanımlar üretti. Örneğin lenfoma veri kümesinde, optimizasyon yapılmamış temel bir VGG 16 yaklaşık yüzde 83 doğruluğa ulaşırken, optimize edilmiş modeller yüksek doksanlara çıktı. Serviks kanserinde de benzer sıçramalar görüldü; ayarlanmış sistemler yalnızca beş epok eğitimle bile yüzde 99’un üzerine çıktı.

Hangi strateji en iyi çalıştı ve neden farkı önemli

Her iki kanser türünde ve tekrarlı çalışmalarda Whale Optimization Algorithm öne çıktı. Önceden eğitilmiş VGG 16 ile eşleştirildiğinde, test setlerinde doğruluk, kesinlik, duyarlılık ve özgüllük açısından mükemmel skorlar elde etti ve sadece birkaç adım içinde güvenilir biçimde yakınsadı. Ant Colony Optimization ve Particle Swarm Optimization gibi diğer algoritmalar da derin katmanların ince ayarı etkinleştirildiğinde özellikle güçlü performans gösterdi ve yine yüzde 99 civarına veya üzerine ulaştılar. İstatistiksel testler, balina tabanlı ayarlamanın diğer yöntemlere göre sağladığı kazançların şans eseri olmadığını doğruladı. Bu tür neredeyse kusursuz sonuçlar daha geniş ve daha çeşitli verilerde hâlâ doğrulanmalı, ancak çalışma dikkatle seçilmiş arama stratejilerinin mevcut ağlardan varsayılan ayarların ötesinde çok daha fazla performans çıkarabileceğini gösteriyor.

Geleceğin kanser bakımı için ne anlama geliyor

Uzman olmayanlar için ana çıkarım, çalışmanın sınırlı eğitim verisi ve makul hesaplama kaynaklarıyla bir derin öğrenme sistemini çok benzer birden fazla kanseri çok yüksek güvenilirlikle ayıracak şekilde ayarlamanın daha akıllı bir yolunu sunduğudur. Bu tür sistemler doktorların yerini almak yerine tutarlı asistanlar olarak hizmet edebilir, şüpheli lamları işaretleyip kaçırılan veya yanlış yapılan tanıları azaltmaya yardımcı olabilir. Yazarlar, klinik kullanımdan önce daha büyük ve daha çeşitli veri kümelerinin, daha hafif ağ tasarımlarının ve modelin gördüklerini açıklayan araçların gerekli olacağını not ediyor. Yine de bu çalışma, sanal balinaların, kurtların ve sürülerin kanser tespit ağlarımızı ayarlamasına izin vermenin otomatik tanıyı daha keskin, daha hızlı ve daha güvenilir kılabileceğini öne sürüyor.

Atıf: Abdelhay, E.H., Elgamily, K.M. & Badr, W.O.EF. Metaheuristic optimization of deep CNNs for multi-class diagnosis of cervical cancer and lymphoma. Sci Rep 16, 15110 (2026). https://doi.org/10.1038/s41598-026-51619-3

Anahtar kelimeler: servikal kanser görüntüleme, lenfoma sınıflandırma, derin öğrenme tanısı, hiperparametre optimizasyonu, meta-sezgisel algoritmalar