Dünya genelinde her saat iki kişinin hayatına mal olan cilt kanseriyle mücadelede, bilim dünyası "hibrit" bir zafer kazandı. Erciyes Üniversitesi Fen Bilimleri Enstitüsü bünyesinde İbrahim ARUK tarafından gerçekleştirilen yeni bir doktora çalışması, derin öğrenme modellerini daha önce hiç olmadığı kadar etkili bir şekilde bir araya getirerek deri lezyonlarının sınıflandırılmasında insan gözünün ve geleneksel yöntemlerin sınırlarını zorluyor.
CNN ve ViT'in Güç Birliği
Geleneksel derin öğrenme modelleri genellikle görüntünün ya yerel detaylarına (CNN) ya da küresel ilişkilerine (ViT) odaklanırken; önerilen yeni çalışma, bu iki dev mimariyi aynı potada eritiyor. "CAFormer" adı verilen MetaFormer tabanlı hibrit model, ConvNeXt bloklarıyla güçlendirilerek hem en küçük doku değişimlerini yakalıyor hem de lezyonun bütünsel yapısını analiz edebiliyor. Bu yöntem, HAM10000 veri seti üzerinde %94,30 gibi dikkat çekici bir doğruluk oranına ulaşarak klinik teşhisler için yanılmaz bir dijital asistan olma potansiyeli sergiliyor.
Net Bir Görüş İçin "Dijital Temizlik"
Dermoskopik görüntülerde yer alan saç kılları, mürekkep izleri veya hava kabarcıkları genellikle teşhis başarısını düşüren unsurlardır. Geliştirilen sistem, sınıflandırma işlemine geçmeden önce "DeepLabv3+" mimarisini kullanarak görüntüdeki lezyon bölgesini milimetrik bir hassasiyetle bölütlüyor. Gereksiz tüm "gürültüleri" siyah bir arka planla maskeleyen bu ön işleme adımı, yapay zekanın sadece kanser riski taşıyan bölgeye odaklanmasını sağlayarak başarı oranını doğrudan yukarı çekiyor.
Yapay Zekada "Ortak Akıl" Stratejisi
Araştırmanın en çarpıcı yönlerinden biri de tek bir modele güvenmek yerine, farklı modellerin görüşlerini harmanlayan "Topluluk Öğrenme" (Ensemble Learning) yaklaşımıdır. Birçok farklı CNN ve ViT mimarisinin esnek ve katı oylama mekanizmalarıyla birleştirildiği bu model, adeta bir "uzmanlar konsültasyonu" gibi çalışıyor. Bu yöntemle elde edilen %94,31’lik başarı oranı, tekil modellerin ulaşamadığı bir kararlılık ve güvenilirlik sunuyor.
Dermatolojide Yeni Bir Ufuk: Hızlı ve Objektif Teşhis
Günümüzde uzman dermatologların bile dermoskopik görüntülerden tanı koyma duyarlılığının yaklaşık %86,60 seviyelerinde kaldığı düşünüldüğünde, geliştirilen hibrit modellerin sunduğu %94'lük keskinlik tıp dünyasında büyük bir heyecan yaratıyor. Erken evrede tespit edildiğinde beş yıllık hayatta kalma oranının %99'a ulaştığı melanom gibi tehlikeli kanser türlerinde, bu modeller teşhis sürecini hızlandırarak objektif ve tutarlı sonuçlar sağlıyor. Bilim insanları, bu teknolojinin hastane sistemlerine entegrasyonuyla birlikte biyopsi gibi invaziv (cerrahi) işlemlerin sayısının azalacağını ve tedavi süreçlerinin daha verimli planlanacağını öngörüyor.
Kaynak: ARUK, İbrahim (2024). Cilt Kanseri Sınıflandırması İçin Hibrit Derin Öğrenme Modellerinin Geliştirilmesi, (Doktora Tezi), Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri. Tez No; 909158
