Melan-Dx: bilgiyle güçlendirilmiş görsel-dil çerçevesi melanositik neoplazm patolojisinin ayırıcı tanısını iyileştiriyor

Neden daha akıllı melanom tanısı önemli

Melanom, erken yakalandığında sıklıkla iyileştirilebilen tehlikeli bir cilt kanseri türüdür—ancak yalnızca mikroskop altında doku örneklerini okuyan doktorlar onu doğru şekilde tanımlarsa. Ne yazık ki, deneyimli uzmanlar bile özellikle sınırda kalan, neredeyse ama tam olarak kötü huylu görünmeyen lezyonlarda bazen görüş ayrılığına düşer. Bu makale, binlerce uzman tarafından etiketlenmiş mikroskop görüntülerini yapılandırılmış tıbbi bilgiyle birleştirerek deri kanseri uzmanlarını desteklemeyi amaçlayan yeni bir yapay zeka (YZ) sistemi olan Melan‑Dx’i anlatıyor; amaç daha hızlı, daha tutarlı ve daha şeffaf tanılar sunmaktır.

Cilt tümörü görüntülerinden zengin bir atlas oluşturmak

İlk adım, zararsız benlerden hayatı tehdit eden melanomlara kadar uzanan geniş melanositik tümör ailesini içeren yüksek kaliteli bir “atlas” toplamaktı. Pennsylvania Üniversitesi’ndeki dermatopatologlar, yaygın iyi huylu nevüslerden nadir ve agresif melanomlara kadar 44 farklı melanositik lezyonu kapsayan 2.893 mikroskop görüntüsünü titizlikle seçti ve etiketledi. Her görüntü bir ilgi alanına odaklanıyor ve Dünya Sağlık Örgütü (WHO) tümör sınıflandırmalarına dayanan üç düzeyli bir hiyerarşiye eşlendi; hastalıklar önce geniş kategoriye, sonra alt tipe ve son olarak spesifik tanıya göre gruplanıyor. Bu yapılandırılmış düzen, uzmanların günlük pratikte bu lezyonları nasıl düşündüklerini yansıtıyor.

Piksel değil, tıbbi bilgiyle YZ öğretmek

Melan‑Dx, yalnızca görüntüye dayanan tipik YZ yaklaşımlarının ötesine geçerek resimleri yetkili tıbbi kaynaklardan alınmış metin açıklamalarıyla eşleştiriyor. Her hastalık tipi için ekip, patologların baktığı hücre şekli, büyüme paterni ve özel boyama sonuçları gibi neyi aradıklarını ve bu özelliklerin bir lezyonu diğerinden nasıl ayırdığını tanımlayan kısa, yapılandırılmış girdiler derledi. Büyük bir dil modeli bu bilgileri düzenlemeye yardımcı oldu ama insan uzmanlar doğruluk için bunları gözden geçirdi. Görüntüler ve metin birlikte sayısal “gömülere” dönüştürülüp aranabilir bir veritabanında saklanıyor. Bu, YZ’nin yalnızca görsel desenleri tanımasını değil, aynı zamanda bunları açık tanısal kriterlerle ilişkilendirmesini sağlıyor; tıpkı iyi indekslenmiş, illüstrasyonlu bir ders kitabına başvuran bir doktor gibi.

Melan‑Dx bir yeni vakayı nasıl değerlendiriyor

Melan‑Dx yeni bir biyopsi görüntüsü gördüğünde, bunu iki koordineli dal üzerinden işler. Görüntü dalında, bir görsel model resmi kodlar ve atlasdan en benzer örnekleri getirir; en iyi eşleşenleri önceler ve bunları geliştirilmiş bir temsile karıştırır. Bilgi dalında ise aynı görüntü, olası tanımları tanımlayan en alakalı metin parçalarını çağırmak için kullanılır. Her hastalık tipi için özel “uzman” modüller hangi referans görüntülerin ve bilgi girdilerinin en önemli olduğunu tartar ve füzyon blokları bu ipuçlarını birleştirir. Sistem, doğru tanı için geliştirilmiş görüntü ve metin temsillerinin birbirine yakın olacağı; uyumsuz eşleştirilenlerin ise birbirinden uzaklaştırılacağı şekilde eğitilir. Bu karşıt öğrenme, YZ’nin onlarca ince farklı tümör tipini ayırmasına yardımcı olurken tıbbi bilgiye dayalı kalmasını sağlar.

Doğruluk, güvenlik ve verimliliğin test edilmesi

Araştırmacılar daha sonra Melan‑Dx’i birden çok görevde önde gelen birkaç patoloji YZ modeline karşı karşılaştırdı. Temel soru olan “melanom mu değil mi?” için Melan‑Dx %87’ye kadar doğruluk elde etti; bu, hafifçe uyarlanmış modellerin ve tamamen yeniden eğitilmiş olanların her ikisini de geride bıraktı. Birçok melanom ve ben alt tipini kapsayan daha zor bir 40 sınıflı sınıflandırmada, ilk tahminde neredeyse %70 doğruluğa ve üç tahmin izin verildiğinde %87’nin üzerine çıktı; yine rakip yaklaşımları yendi. Sistem ayrıca hastalık hiyerarşisine riayet etti: yanıldığında, iyi huylu ve kötü huylu kategorileri karıştırmaktan ziyade yakından ilişkili durumları karıştırma eğilimindeydi; bu da gerçek dünya klinik risklerini daha iyi yansıtıyor. Tüm kesit dijital taramalarda—tüm doku bölümlerinin büyük dijital görüntülerinde—Melan‑Dx hem eğitim verisinin az olduğu hem de bol olduğu durumlarda kanser tespitini iyileştirdi ve çekirdek görsel modelin yeniden eğitilmesine gerek olmadığından eğitim süresini neredeyse %90–97 oranında kısalttı.

Bu hastalar ve doktorlar için ne anlama geliyor

Hastalar için Melan‑Dx’in vaat ettiği şey her şeyi bilen bir robot doktor değil, kaçırılan melanomları azaltmaya ve aşırı tanının yol açtığı gereksiz endişeleri sınırlamaya yardımcı olabilecek daha akıllı bir ikinci görüştür. Klinikler içinse sistem yalnızca bir etiket değil aynı zamanda kanıt sunar: benzer geçmiş vakaları ve önerisini destekleyen temel yazılı kriterleri göstererek mantığını incelemeyi kolaylaştırır. Mevcut çalışma melanositik tümörlere odaklanmakta ve tek bir merkezden özenle oluşturulmuş bir veri kümesine dayanmakla birlikte, aynı strateji—görüntüleri yapılandırılmış tıbbi bilgiyle ilişkilendirme ve geri getirme yoluyla YZ’yi yönlendirme—birçok diğer hastalığa da genişletilebilir. İnsan‑YZ iş birliği için tasarlanmış hafif, açıklanabilir bir araç olarak Melan‑Dx, patologların sorumluluğu sürdürdüğü ancak daha doğru, zamanında cilt kanseri tanıları koymak için daha donanımlı olduğu bir geleceğe işaret ediyor.

Atıf: Yao, J., Li, S., Liang, P. et al. Melan-Dx: a knowledge-enhanced vision-language framework improves differential diagnosis of melanocytic neoplasm pathology. npj Digit. Med. 9, 171 (2026). https://doi.org/10.1038/s41746-026-02357-3

Anahtar kelimeler: melanom tanısı, hesaplamalı patoloji, tıbbi yapay zeka, görsel-dil modelleri, cilt kanseri tespiti