Oftalmik temel modellerden yararlanarak birçok fundus hastalığını tespit etmek için sınama zamanında klinik olarak uyarlanabilir bir çerçeve

Daha Akıllı Göz Taraması Neden Önemli

Diyabet, glokom ve göz arka kısmındaki yaşa bağlı değişiklikler gibi durumlar nedeniyle dünyada milyonlarca insan görme kaybı riski altındadır. Doktorlar bu sorunların birçoğunu fundus görüntüleri olarak adlandırılan göz içi fotoğraflarında tespit edebiliyor, ancak her görüntüyü dikkatle incelemek zaman alıcıdır; özellikle birden çok hastalık aynı anda görülebiliyorsa. Bu çalışmada RetExpert sunuluyor: çok yönlü bir göz uzmanı gibi davranmak üzere tasarlanmış yeni bir yapay zeka (YZ) sistemi — aynı anda birçok retinal hastalık için tarama yapabiliyor, gerçek dünya verilerindeki düzensizliklerle başa çıkabiliyor ve farklı kliniklere ve kameralara anında uyum sağlayabiliyor.

Birden Fazla Göz Problemini Aynı Anda Görmek

Tipik göz tarama YZ araçları genellikle tek bir hastalığı tespit edecek şekilde eğitilir ve görüntülerin eğitimde kullanılanlara çok benzemesini varsayar. Gerçek klinikler farklıdır. Hastalarda sıkça birden fazla göz hastalığı bulunur, veri setlerindeki hastalık etiketleri eksik olabilir ve siteye göre kameralar ile popülasyonlar değişir. RetExpert bunu “temel modeller” üzerine inşa ederek çözüyor — önce büyük retinal görüntü koleksiyonlarıyla eğitilmiş büyük görsel sistemler. Bu temel modeller fundus fotoğraflarındaki kan damarları, optik sinir ve makula gibi yaygın desenleri zaten anlar. RetExpert, böyle bir modelin bloklarını “uyarlanabilir bilgi birimleri”ne dönüştürüyor ve değerli öğrenilmiş bilgiyi bozmadan çoklu hastalık taraması için ince ayar yapılabilen küçük adaptör katmanları ekliyor.

Dengesiz ve Belirsiz Veriyi Daha İyi Kullanmak

Gerçek tıbbi veriler genellikle dengesizdir: diyabetik retinopati gibi yaygın hastalıklar nadir bozukluklardan çok daha sık görülür. Basit bir şekilde eğitilirse YZ, sık görülen durumlara aşırı odaklanır ve nadir ama önemli olanları ihmal eder. RetExpert, nadir temsil edilen hastalıklara ekstra önem veren bir eğitim yaklaşımı kullanır; böylece performans nadir bulgularda çökmez. Sistem ayrıca bazı tahminlerin doğal olarak daha belirsiz olduğunu kabul eder. Tek bir genel güven skoru vermek yerine RetExpert, tespit etmesi istenen her hastalık için ayrı belirsizlik skorları tahmin eder. Hastalık bazında bu bakış açısı klinisyenlerin düşünme biçimine daha yakındır ve modelin kırılgan tahminleri sonraki uyarlama adımlarında ihtiyatla ele almasını sağlar.

Benzer Hastalıklar Arasındaki Karışmaları Azaltmak

Pratikte bazı retinal hastalıklar benzer görünebilir ve bir YZ modelinin çelişkili yanıtlar — örneğin aynı görüntüyü hem “normal” hem de “maküler dejenerasyon” olarak etiketlemesi — vermesi özellikle zararlı olabilir. Bunu ele almak için yazarlar, hastalık çiftlerinin birlikte görülme olasılıklarını tıbbi bilgi ve istatistiklere dayalı olarak özetleyen yapılandırılmış bir fundus hastalık birliktelik matrisi oluşturdular. Eğitim sırasında RetExpert, çıktısı olan olasılıkları bu tıbbi açıdan anlamlı ilişkilerle uyumlu hale getirmeyi öğrenir. Ekip ayrıca modelin belirli hastalık çiftlerini ne sıklıkta karıştırdığını ölçen bir “karışım skoru” tanımladı. Birliktelik bilgisi uygulandığında, maküler dejenerasyon ile yüksek miyopi gibi zor çiftlerdeki karışma oranı üçte birden fazla azaldı ve klinik kullanım için tahminleri daha güvenilir kıldı.

Sınama Zamanında Kendini Uyarlamak

YZ’yi hastaneler arasında konuşlandırmanın en büyük engellerinden biri “alan kayması”dır: yeni bir kliniğin görüntüleri farklı hasta grupları, kamera türleri veya görüntüleme ayarları nedeniyle değişebilir. Geleneksel sistemler yeni bir ortama taşındığında yeniden eğitilmeli veya kapsamlı şekilde ince ayar yapılmalıdır; bu maliyetli ve yavaştır. RetExpert bunun yerine kullanım sırasında hafif uyarlama yapar. Yeni bir görüntü partisiyle karşılaştığında yalnızca küçük adaptör katmanlarını ve son karar başlığını kısa süreliğine ayarlar; bu süreç önce kendi özelliklerinin ne kadar kararlı olduğuyla, sonra da hastalık başına belirsizlik tahminleriyle ağırlıklandırılmış pseudo-etiketlerle yönlendirilir. Kritik olarak, bu güncellemeler geçicidir ve her partiden sonra sıfırlanır; böylece çekirdek model zaman içinde kaymaz, güvenlik ve tekrarlanabilirlik korunurken kısa vadeli esneklik kazanılmış olur.

Gerçek Dünyada Ne Kadar İyi Çalışıyor?

Yazarlar RetExpert’i geliştirme için kullanılan iki büyük çoklu hastalık veri setinde ve ardından farklı ülkelerden, kameralardan ve klinik ortamlardan toplanmış 15 ek kamu ve özel veri setinde test ettiler. Diyabetik retinopati, yaşa bağlı maküler dejenerasyon, glokom, miyopik değişiklikler ve oküler toksoplazmoz gibi tespitler de dahil olmak üzere çoğu görevde RetExpert, mevcut önde gelen retinal temel modellerin performansını yakaladı veya aştı. Ayrıca daha düşük karışım skorları ve yeni hastaneler ile cihazları taklit eden zor “dağılım dışı” veri setlerinde daha güçlü sonuçlar göstererek daha iyi güvenilirlik sundu. Oldukça özelleşmiş tek hastalığa odaklanan sistemler hâlâ o tek koşul için biraz daha iyi olabilir, ancak RetExpert bu farkı daraltırken tek bir birleşik araçta geniş, çoklu hastalık kapsamı sağlıyor.

Güvenilir Otomatik Göz Taramalarına Doğru Bir Adım

Günlük ifadeyle RetExpert, büyük paylaşılan bir bilgi tabanı üzerine inşa edilmiş deneyimli bir genel göz doktoru gibidir; nadir hastalıklarla başa çıkma, emin olmadığını belirtme ve sürekli yeniden eğitme gerektirmeden yeni kliniklere hızla uyum sağlama araçlarıyla donatılmıştır. Bu bileşenleri — uyarlanabilir modüller, belirsizliğe duyarlı öğrenme, tıbbi önbilgi ve sınama zamanında uyarlama — birleştirerek çerçeve, göz arkasının basit renkli fotoğraflarından daha doğru ve güvenilir çoklu hastalık taraması sunar. Daha fazla geliştirilip doğrulanırsa, bu tür sistemler özellikle göz uzmanına erişimin sınırlı olduğu ortamlarda görmeyi tehdit eden durumların daha erken tespitini büyük ölçekli olarak destekleyebilir.

Atıf: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Anahtar kelimeler: retinal görüntüleme, tıbbi yapay zeka, çoklu hastalık taraması, temel modeller, alan uyarlaması