Nadir orbital hastalık tespiti için multimodal büyük dil modellerinin ardışık duyarlılık analizi

Nadir göz sorunları için daha hızlı yanıtlar neden önemli

Göz yuvasını etkileyen—gözü çevreleyen kemiksi boşluk—nadir hastalıklar görüşü yavaşça çalabilir ve hatta hayatı tehdit edebilir, ancak teşhisleri genellikle zordur. Birçok hasta net bir yanıt almadan önce yıllarca doktordan doktora gider. Bu çalışma, göz fotoğraflarına bakabilen ve temel klinik bilgileri okuyabilen yeni bir yapay zeka (YZ) türünün, doktorların bu alışılmadık orbital hastalıkları daha erken ve daha doğru tespit etmesine yardımcı olup olamayacağını araştırıyor.

Günlük göz fotoğraflarında nadir hastalığı görmek

Araştırmacılar üç önemli orbital problemi inceledi: tiroid göz hastalığı, orbital inflamasyon ve orbital tümörler. Bunların hepsi gözlerin ve çevresindeki dokuların dış görünüşünü değiştirebilir. Bu nedenle basit dış göz fotoğrafları bilgisayar tabanlı tarama için umut verici bir başlangıç noktasıdır. Ekip, Çin, Singapur ve Tayland’daki hastanelerden birkaç ırk grubunu yansıtan iki büyük görsel koleksiyonu derledi. Yaklaşık yedi bin tek göz fotoğrafından oluşan bir veri seti, sağlıklı gözleri, orbital hastalıkları ve diğer göz durumlarını karıştırıyordu. Daha küçük ikinci bir veri seti ise yalnızca doğrulanmış orbital hastalığı olan hastaları içeriyor ve yaş, cinsiyet, ırk ve semptomlar gibi ek ayrıntılar barındırıyordu.

Doktorlar için iki aşamalı bir YZ yardımcısı

İlk adımda ekip, CLIP olarak bilinen bir görsel-dil modelini akıllı bir triaj hemşiresi gibi davranması için ince ayar yaptı. Tek bir göz görüntüsü verildiğinde, CLIP bunu üç geniş gruba ayırmayı öğrendi: sağlıklı, orbital hastalık veya başka bir göz sorunu. Eğitim sonrasında bu model görüntülerin yaklaşık onda dokuzunu doğru sınıflandırdı ve bu görev için uyarlanmamış birçok yaygın derin öğrenme görüntü modelini ve daha yeni multimodal sistemleri açıkça geride bıraktı. Bu, YZ’yi özellikle orbital görüntülere göre uyarlamanın büyük fark yarattığını ve dikkatli şekilde ayarlandığında hafif modellerin bile iyi çalışabileceğini gösteriyor.

Teşhisleri netleştirmek için bilgiyi katmanlamak

İkinci adımda, araştırmacılar multimodal büyük dil modeli GPT‑4o’yu, hastanın hangi üç nadir orbital hastalıktan birine sahip olduğuna karar vermeye çalışan sanal bir uzman olarak test ettiler. Burada ekip, modele daha fazla bilgiyi kademeli olarak vererek her bir bilginin nasıl yardımcı olduğunu görmek amacıyla "ardışık duyarlılık" deneyini yürüttü. GPT‑4o yalnızca göz fotoğrafını gördüğünde, ilk tahmini hastaların %14’ünden daha azında doğruydu ve doğru yanıtın ilk beş önerisi arasında olması yalnızca yaklaşık dörtte bir oranındaydı. Çift görme, göz küresinin çıkıntı yapması veya ağrı gibi hastanın ana şikayetinin eklenmesi, özellikle tiroid göz hastalığı ve orbital tümörler için doğrulukta dramatik bir artışa yol açtı. Irk geçmişinin eklenmesi, tümör vakaları için daha küçük ama anlamlı bir artış sağladı; bu muhtemelen hangi koşulların kimlerde daha sık görüldüğüne dair gerçek dünya farklılıklarını yansıtıyor.

YZ’ye klinisyen gibi düşünmeyi öğretmek

Ekip daha sonra modele, bir göz doktorunun yüzü muayene ederken izlediği yolu taklit eden yapılandırılmış bir "akıl yürütme istemi" verdi: göz pozisyonunu, göz kapaklarını, gözün beyazını, korneyi, iris’i, gözyaşı bezlerini, çevreleyen deriyi ve iki tarafın eşleşip eşleşmediğini kontrol etmek gibi. Özellikle orbital inflamasyon için, bu kasıtlı adım adım tanım modelin ilk tercih doğruluğunu artırdı; bu da YZ’yi insan benzeri muayene rutinlerini takip etmeye yönlendirmenin ince desenleri ortaya çıkarabileceğini gösteriyor. Son olarak araştırmacılar, CLIP’in üçlü triaj sonucunu ek bir ipucu olarak GPT‑4o’ya besleyerek bir YZ "ajanı" oluşturdular. Bu kombinasyon, doğru teşhisin ilk beşte yer alma olasılığını genel olarak yaklaşık %85’e ve tiroid göz hastalığı için %97’nin üzerine çıkardı; ancak veri daha sınırlı ve çeşitli olduğu için orbital inflamasyon vakalarında daha az fayda sağladı hatta biraz gerileme görüldü.

Doktorların iletişim ve bakım planlamasına yardımcı olmak

Hastalığı adlandırmanın ötesinde araştırmacılar, göz doktorlarından YZ tarafından üretilen tıbbi raporları ve muayene önerilerini okunabilirlik, eksiksizlik, doğruluk ve güvenlik açısından değerlendirmelerini istediler. Uzmanlar ortalama olarak raporları anlaşılması kolay, büyük ölçüde eksiksiz ve genel olarak doğru buldular; yalnızca ayrıntıda küçük boşluklar ve risk oluşturabilecek birkaç öneri vardı. Önerilen takip testleri açık ve genel olarak uygundu, ancak hâlâ insan denetimi olmadan kullanılabilecek düzeyde değildi. Birlikte ele alındığında, bu bulgular söz konusu modellerin klinisyenlerin bulguları açıklamasına ve makul sonraki adımları özetlemesine yardımcı olabileceğini gösteriyor.

Nadir göz koşullarına sahip hastalar için bunun anlamı

Bu çalışma, YZ’ye hem fotoğraflar hem de anahtar klinik ipuçları—semptomlar, geçmiş ve gözü muayene etmeye yönlendiren bir yol—verildiğinde nadir orbital hastalıkları tespit etmede güçlü bir yardımcıya dönüşebileceğini öne sürüyor. Bu sistem eğitilmiş uzmanların yerini almaz ve hâlâ daha büyük, çeşitli gruplarda prospektif testlere ihtiyaç duyar; ancak bu tür iki aşamalı bir sistem bir gün sıradan kameralar veya mobil cihazlarda çalışabilir. Acil uzman bakımı gerektiren kişileri işaretleyebilir, birçok hastanın yaşadığı uzun teşhis yolculuklarını kısaltabilir ve doktorlara açık, okunabilir raporlarla destek vererek nihayetinde görme ve genel sağlık korunma şansını artırabilir.

Atıf: Lei, C., Ji, K., Zhao, C. et al. Sequential sensitivity analysis of multimodal large language models for rare orbital disease detection. Commun Med 6, 175 (2026). https://doi.org/10.1038/s43856-026-01447-3

Anahtar kelimeler: orbital hastalık, yapay zeka, göz görüntüleme, multimodal modeller, nadir hastalıklar