Sıfır Atış Öğrenmeye Dayalı Genelleştirilebilir Bir Göz Hastalığı Tespit Yöntemi

Neden erken göz uyarıları önemli

Birçok ciddi göz sorunu, uzmanların bile fark etmekte zorlanabileceği kadar ince değişikliklerle başlar. Diyabetin erken bir komplikasyonu olan hafif diyabetik retinopati, böyle sessiz bir uyarı işaretidir: erken yakalandığında görme kaybını önleyebilir, ancak retina fotoğraflarının dikkatle incelenmesini ve günümüz yapay zeka (YZ) sistemlerini eğitmek için büyük sayıda uzman etiketli görüntü gerektirir. Bu çalışma, doktorların o spesifik duruma ait tek bir örnek etiketlemediği durumlarda bile erken hastalığı tespit etmeyi öğrenebilen yeni bir tür YZ sunuyor; bu da daha hızlı ve daha uygun maliyetli göz taramalarının önünü açabilir.

Cevaplar olmadan makineleri öğretmenin yeni bir yolu

Araştırmacılar, bir YZ sisteminin daha önce etiketlenmiş örnek görmeden yeni bir şeyi tanımayı öğrendiği sıfır-atış öğrenme kavramı üzerine inşa ediyor. Hastalık etiketlerini ezberlemek yerine sistem, klinisyenlerin akıl yürütmesini taklit ediyor: görsel desenleri paylaşan ilişkili hastalıklara bakıyor ve bunlardan öğrendiklerini aktarıyor. Burada ekip hafif diyabetik retinopatiye (DR1) odaklandı ancak yöntemlerini tek bir DR1 görüntüsü etiketlenmiş halde eğitmedi. Bunun yerine, birçok kamu veri tabanından alınmış bir milyondan fazla görüntü ve on bir göz hastalığı kategorisini birleştiren LCFP-14M adında devasa bir retina fotoğrafı kaynağı derlediler. Bu zengin görüntü karışımı, YZ’nin hastalık desenlerini çıkarabileceği görsel “deneyimi” sağlıyor.

Benzer görünen bir hastalığı bulmak

Bilgiyi nereden ödünç alacağını belirlemek için sistemin ilk adımı, farklı göz hastalıklarının birbirine ne kadar benzediğini ölçmektir. Ekip, aynı anda iki retina görüntüsünü inceleyen ve bunların muhtemelen aynı hastalığa ait olup olmadığını söylemeyi öğrenen ikiz (Siamese) sinir ağı kullandı. Binlerce görüntü çiftini karşılaştırarak model, on bir hastalığın hafif diyabetik retinopatiye ne kadar benzediğinin bir haritasını oluşturdu. Göz arkasının uzanması ve incelmesi ile ilişkilendirilen dejeneratif miyopinin, bu erken diyabetik değişikliklerle en güçlü korelasyonu gösteren retinal görüntüler ürettiğini keşfetti. İnsan terimleriyle, dejeneratif miyopi sistemin neye dikkat etmesi gerektiğini öğretebilecek “en yakın kuzen” haline geldi.

Sisteme küçük lezyonların nasıl göründüğünü öğretmek

Uygun bir “öğretmen” hastalık bulunduğunda, sonraki görev YZ’ye retina üzerindeki hangi noktaların erken diyabetik hasar için en önemli olduğunu göstermektir. İkinci bir model olan U-Net kullanılarak, araştırmacılar uzmanların üç ana işareti işaretlediği yerleşik veri setleri üzerinde bir segmentasyon sistemi eğitti: mikroanevrizmalar olarak bilinen damarlardaki küçük kabarcıklar, küçük hemorajiler ve soluk pamuk yünü lekeleri. Hepsi hafif evreye özgü olmasa da birlikte retinal dolaşımdaki erken hasarın izini çizerler. U-Net, görüntülerde yalnızca bu lezyonları vurgulamayı öğrenerek ham fotoğrafları, önemli uyarı işaretlerinin öne çıktığı ve daha az ilgili ayrıntıların arka plana çekildiği odaklı haritalara dönüştürdü.

Görülmemiş hastalığı sağlıklı ve sağlıksız olarak kümelere ayırmak

Bu lezyon odaklı görünümle donanmış sistem, daha sonra dejeneratif miyopi hastalarından gelen görüntüleri işledi; ancak diyabet tarzı lezyonlar vurgulanmış ve hastalığa özgü artefaktlar bastırılmıştı. ResNet tabanlı ve aglomeratif kümeleme algoritmasıyla birleştirilmiş üçüncü bir model, bu segmentlenmiş görüntüleri sıkıştırılmış sayısal tanımlara dönüştürdü ve bunları iki doğal kümeye ayırdı. Önemli olan, algoritmanın hangi gözlerin sağlıklı veya hasta olduğunu söyleyen herhangi bir etiket olmadan bunu yapmasıydı; görüntüleri yalnızca paylaşılan görsel desenlere göre düzenledi. Ekip daha sonra bu kümeleri bağımsız bir test setindeki gerçek klinik etiketlerle karşılaştırdığında, kümelerden birinin DR1 ile ve diğerinin hastalıklı olmayan gözlerle hizalandığı görüldü; bu da YZ’nin hafif diyabetik retinopatiyi kendi başına “keşfettiğini” gösterdi.

Yeni yaklaşımın performansı nasıl

Bu sıfır-atış sisteminin pratikte yararlı olup olmadığını değerlendirmek için araştırmacılar, az sayıda etiketli örnek görmesine izin verilen geleneksel “few-shot” derin öğrenme modelleriyle karşılaştırdı. ResNet, VGG, MobileNet ve AlexNet gibi popüler mimariler, sınırlı miktarda etiketli veriyle eğitildi ve sonra EyePACS adındaki dış bir veri setinde değerlendirildi. Sıfır-atış model, eğitim sırasında asla etiketli DR1 görüntüleri gösterilmemesine rağmen yaklaşık %83 doğruluk ve yüksek alan-altında-kavis (AUC) puanı elde etti; özellikle doğruluk açısından çoğu denetimli rakibini geride bıraktı — yani sistemin hasta olarak işaretlediği gözler genellikle gerçekten risk altındaydı. Bileşenlerin tek tek çıkarıldığı ablation deneyleri, hem hastalık-benzeme adımı hem de lezyon-segmentasyon adımının bu güçlü performans için gerekli olduğunu doğruladı.

Geleceğin göz bakımına etkisi

Günlük anlatımla, bu çalışma bir YZ’nin ilgili hastalıklardan ve uzman tanımlı görsel ipuçlarından “benzetim yoluyla akıl yürütme” ile erken diyabetik göz hasarını öğrenebileceğini; ilgi duyulan tam duruma ait binlerce elle etiketlenmiş örneğe dayanmak zorunda olmadığını gösteriyor. Bu, uzman etiketlemenin pahalı veya nadir olduğu bölgelerdeki tarama programları veya büyük küratörlü veri setlerinden yoksun yeni tanımlanmış göz hastalıkları için çığır açıcı olabilir. Yöntemin retina fotoğraflarının ötesinde diğer görüntüleme teknolojilerine genişletilmesi ve kararlarını doktorlara ve hastalara daha şeffaf hale getirme gibi zorluklarla karşı karşıya olmasına rağmen, bu yaklaşım makinelerin daha az etiketli veri kullanarak klinisyenlerin ince göz hastalıklarını daha erken yakalamasına yardımcı olabileceği bir geleceğe işaret ediyor.

Atıf: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

Anahtar kelimeler: diyabetik retinopati, retina görüntüleme, sıfır-atış öğrenme, tıbbi yapay zeka, göz hastalığı taraması