Klinik serbest metin ve dermatoskopik görüntüler kullanılarak cilt kanseri sınıflandırması için çok modlu modeller

Daha akıllı cilt taramalarının önemi

Cilt kanseri yaygındır, ancak erken yakalandığında hastalar genellikle çok iyi sonuçlar alır. Doktorlar, hangi benlerin endişe verici göründüğüne karar vermek için yakın çekim ben fotoğraflarını zaten kullanıyorlar. Bu çalışma, basit ama büyük sonuçları olan bir soruyu gündeme getiriyor: bilgisayarlar yalnızca fotoğrafları değil, her bene ilişkin doktor notlarını da okuyabilse, cilt kanserlerini daha doğru ve daha adil biçimde tespit edebilirler mi?

Görüntüler ve sözcükler daha eksiksiz bir hikâye anlatır

Araştırmacılar Birleşik Krallık’taki rutin dermatoloji kliniklerinden büyük bir veri seti oluşturdular. Bu, 4538 yetişkinden alınmış 5481 yakın çekim dermatoskopik görüntü ile yaş ve cilt tipi gibi temel hasta bilgileri ve dört tür klinik notu içeriyordu. Bu notlar lezyonun görünümü ve zaman içindeki değişimi, ailede cilt kanseri öyküsü, kişinin güneşe maruz kalma düzeyi ve cerrahın düşünce ve planlarını kapsıyordu. Her vaka iyi huylu veya kötü huylu olarak etiketlendi; mümkünse kötü huylu vakalar biyopsi ile doğrulandı.

Klinik notların içindeki gizli ipuçları

Basit onay kutusu verilerinin aksine, serbest metin doktorların ince özellikleri tarif etmesine olanak verir: koyulaşmış bir ben, kanayan bir leke veya yıllarca açık havada çalışan bir hasta gibi. Bu tür ayrıntılar çok bilgilendirici olabilir, ancak yanıtı da ele verebilir. Birçok notta yazarların öne sürdüğü şekilde teşhis veya tedavi hakkında doğrudan ya da güçlü biçimde ima eden ifadeler bulunur; örneğin “bazal hücreli karsinom, biyopsi için yönlendir” veya “tedavi gerekmiyor.” Bir makine öğrenmesi modeli bu kestirme yollara takılırsa, geçmiş verilerde çok doğru görünürken görüntülerden veya hasta tarafından bildirilen betimlemelerden kansere gerçekte nasıl tanıyacağı konusunda çok az şey öğrenmiş olur.

Bilgisayarlara kestirmeleri görmezden gelmeyi öğretmek

Bu sorunu ele almak için ekip bir dizi metin temizleme düzeyi tasarladı. Basit kurallar önce cilt hastalıklarının açık adlarını ve "iyi huylu" ile "kötü huylu" kelimelerini çıkardı. Ardından daha ince filtreleme için büyük bir dil modeli kullanıldı. Bir ayarda, anahtar teşhis ifadeleri ve tedavi planları nötr etiketlerle değiştirildi, böylece yazarlar her tür ifadenin performansı ne kadar artırdığını ölçebildiler. En sıkı ayarda ise yalnızca bir hastanın makul biçimde sağlayabileceği, örneğin bir benin ne kadar süredir var olduğu veya geçmiş güneş alışkanlıkları gibi gerçek bilgilere izin verildi. Bu yaklaşım, metni uzman iç ipuçlarına dayanmaktan ziyade hasta tarafına yönelik bir sistemin görebileceğine daha yakın hale getirmeyi amaçladı.

Modellerin gerçekten ne öğrendiği

Bilgisayar modeli yalnızca görüntülere güvendiğinde iyi performans gösterdi, ancak filtrelenmemiş notların eklenmesi performansı önemli ölçüde artırdı. Ana doğruluk ölçüsü olan alıcı işletim karakteristikleri eğrisi altındaki alan (AUROC), yalnızca görüntüler için 0,909 iken görüntüler artı ham notlarla 0,970’e yükseldi. Tüm belirgin teşhis dil çıkarılsa bile, görüntülerle dikkatle filtrelenmiş metnin birleştirilmesi yine yaklaşık 0,948 AUROC’a ulaştı; bu, her bir kaynaktan tek başına elde edilenden daha yüksekti. Etiketlenmiş ifadelerle yapılan deneyler, “hastaneye yönlendir” gibi basit eylemlerin bile açık bir kanser etiketine neredeyse eşdeğer bilgi taşıdığını gösterdi ve birçok notun güçlü yerleşik önyargı taşıdığını doğruladı. Yazarlar ayrıca yaş grupları ve cilt tonu kategorileri arasında performansı incelediler ve hem yalnızca görüntüye dayalı hem de tam multimodal modeller için görece düşük düzeyde adaletsizlik buldular.

Gelecekteki cilt taramaları için anlamı

Uzman olmayanlar için temel çıkarım, doktor notlarının bilgisayarların cilt kanseri kararlarını desteklemesine yardımcı olabilecek gerçek, faydalı ipuçları içerdiği ancak bunların dikkatle ele alınması gerektiğidir. Modellerin filtrelenmemiş notları okumalarına izin verilirse, riskli benleri kendileri tanımak yerine doktorların ifadelerini taklit etmeyi öğrenebilirler. Bu çalışma, metni düşünceli biçimde temizleyip görüntüler ve temel hasta verileriyle harmanlayarak doğruluğu artırırken gizli önyargıyı azaltmanın mümkün olduğunu gösteriyor. Zamanla, bu tür çok modlu araçlar birinci basamak hekimlerin daha iyi sevk kararları almasına ve uzman bakım bekleme sürelerini kısaltmasına yardımcı olabilir; aynı zamanda bir gün doğrudan hastalara yardımcı olabilecek güvenli, metin farkında sistemlerin temellerini atabilir.

Atıf: Watson, M., Winterbottom, T., Hudson, T. et al. Multimodal models for skin cancer classification using clinical freetext and dermatoscopic images. Commun Med 6, 277 (2026). https://doi.org/10.1038/s43856-026-01456-2

Anahtar kelimeler: cilt kanseri, makine öğrenmesi, dermatoloji, klinik notlar, tıbbi görüntüleme