Afrikalı kökenli bireylerde primer açık açılı glokomu taramak için derin öğrenme modelinin geliştirilmesi

Günlük göz sağlığı için bunun önemi

Glokom, geri döndürülemez körlüğün dünya genelindeki önde gelen nedenlerinden biridir ve genellikle insanlar herhangi bir belirti fark etmeden önce sessizce görmeyi çalar. Bu çalışma, yapay zekânın özellikle hem daha yüksek risk altında olan hem de uzman göz bakımına erişimi daha sınırlı olan Afrikalı kökenli topluluklarda yaygın bir glokom türünü daha erken yakalamaya nasıl yardımcı olabileceğini araştırıyor. Araştırmacılar, bir bilgisayara göz fotoğraflarını okumayı öğreterek güvenilir glokom taramasını birinci basamak kliniklerine, toplum sağlığı merkezlerine ve düşük kaynaklı ortamlara getirmeyi umuyorlar.

Görme için sessiz tehdit

Primer açık açılı glokom, gözden beyne görsel bilgiyi taşıyan optik sinire, yani kabloya yavaşça zarar verir. Erken dönemde insanlar genellikle kendilerini iyi hisseder ve iyi görürler; yan görüşleri daralmaya başlasa bile. Hastalık sessiz ilerlediği ve göz muayeneleri birçok bölgede zaman alıcı ve nadir olabildiği için hastaların büyük bir kısmı görme kaybı kalıcı hale gelene dek tanı almadan kalır. Bu yük, glokom geliştirme olasılığı daha yüksek ve bundan kör olma riski daha fazla olan Afrikalı kökenli popülasyonlarda özellikle ağırdır; üstelik bu gruplar tarihsel olarak tıbbi araştırmalarda ve yüksek kaliteli görüntü veri setlerinde yeterince temsil edilmemiştir.

Bilgisayarlara göz görüntülerini okutmaya öğretmek

Araştırma ekibi, göz arkasının renkli fotoğrafları olan fundus görüntülerini inceleyen otomatik bir tarama sistemi geliştirdi. Bu fotoğraflar, uzman ofisinin dışında bile çekilmesi nispeten ucuz ve kolay olan görüntülerdir. Primary Open-Angle African American Glaucoma Genetics (POAAGG) çalışmasında toplanan 64.000’den fazla görüntüden, araştırmacılar glokomlu gözlerle glokomsuz gözleri ayırt edecek şekilde derin öğrenme modelleri eğittiler. İki son teknoloji yaklaşımı karşılaştırdılar: evrişimli bir “ResNet” modeli ve görüntüyü yamalar halinde inceleyen ve nerelere odaklandığını vurgulayabilen bir “Vision Transformer” — genellikle glokoma bağlı değişikliklerin göründüğü optik sinirin çukur-disk (cup-and-disc) bölgesine odaklanır.

Önce en net fotoğrafları seçmek

Gerçek dünyada taramada, göz kırpma veya bulanıklık gibi sorunları önlemek için her ziyarette genellikle birkaç görüntü çekilir. Tümünü modele vermek yerine, araştırmacılar yalnızca en bilgilendirici fotoğrafları dikkatle seçmenin doğruluğu artırıp artırmayacağını sordular. İki otomatik seçim stratejisini test ettiler. Birincisi, optik siniri çevreleyen segmentasyon modeli kullanarak belirli boyut özelliklerine sahip görüntüleri seçti. Diğeri ise ikili bir sınıflandırıcıydı; bu sınıflandırıcı bir okuma merkezindeki uzman puanlayıcıları taklit etmeyi öğrenerek “iyi” görüntüleri kötü olanlardan ayırdı. İkili sınıflandırıcıyla ziyarete ait yalnızca altı yüksek kaliteli görüntüyü seçmek, insan puanlayıcıların performansına eşdeğer sonuç verdi ve hem tüm görüntüleri kullanmayı hem de segmentasyon tabanlı yöntemi açıkça geride bıraktı.

Birçok ipucunu tek bir yanıta birleştirmek

Bir ziyaretten en iyi görüntüler seçildikten sonra, sistem her birini Vision Transformer ile inceledi ve glokom varlığı olasılığı üretti. Araştırmacılar daha sonra birkaç olasılığı tek bir tarama kararı haline getirmenin en iyi yolunu araştırdı. Seçilen görüntüler arasındaki basit ortalamayı almak en güvenilir sonuçları verdi; en uç değere dayanmak biraz daha az iyiydi. Genel olarak bu boru hattı — ikili sınıflandırıcı ile görüntü seçimi, görüntü başına tahmin ve ortalama alma — glokomlu ve glokomsuz vakaları ayırma konusunda yüksek bir yetenek gösterdi. Model ayrı bir Çin hasta veri kümesi üzerinde test edildiğinde de iyi performans gösterdi ve ek deneyler daha büyük bir eğitim seti kullanılmasının bu çapraz grup transferi için kritik olduğunu ortaya koydu.

Bu hastalar için ne anlama gelebilir

Çalışma, Afrikalı kökenli bireylerden oluşan geniş bir göz görüntü seti üzerinde özenle tasarlanmış bir yapay zekâ boru hattının yalnızca basit fotoğrafları kullanarak glokom riski taşıyan kişileri doğru şekilde işaretleyebileceğini gösteriyor. Sistem henüz bazı kuruluşların tam tanısal araçlar için önerdiği çok sıkı eşiklere ulaşmıyor olsa da, göz uzmanlarının nadir olduğu ortamlarda ön tarama olarak kullanıma uygundur. Daha çeşitli popülasyonlar ve kameralar üzerinde ek doğrulama ile ve diğer göz testleriyle entegrasyon olasılığıyla, böyle bir teknoloji bir gün birinci basamak kliniklerinde, toplum etkinliklerinde veya kırsal sağlık merkezlerinde dağıtılabilir. Amaç basit: glokomu daha erken yakalamak, risk altındakileri uzmanlara yönlendirmek ve önlenebilir körlüğü engellemek — özellikle en ağır etkilenen topluluklarda.

Atıf: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

Anahtar kelimeler: glokom taraması, yapay zeka, retina görüntüleme, Afrikalı kökenli sağlığı, derin öğrenme tıbbı