Dünya genelinde kadınlar arasında en yaygın görülen kanser türü olan meme kanseriyle mücadelede, bilim dünyası heyecan verici bir gelişmeye imza attı. Yapılan yeni bir bilimsel araştırma, derin öğrenme algoritmalarının, patoloji uzmanlarının teşhis sürecini hızlandırabilecek ve hata payını minimize edebilecek bir yetkinliğe ulaştığını ortaya koydu. "Bölge Tabanlı Evrişimli Sinir Ağları" (R-CNN) kullanılarak gerçekleştirilen bu çalışma, bilgisayar destekli teşhis sistemlerinde yepyeni bir ufuk açıyor.
Dijital Patolojide Derin Öğrenme Dönemi
Geleneksel yöntemlerde, biyopsi ile alınan doku örnekleri patoloji uzmanları tarafından mikroskop altında titizlikle incelenmektedir. Ancak uzman sayısının azlığı ve iş yükünün yoğunluğu, teşhis süreçlerinde dijitalleşmeyi zorunlu kılıyor. Bu bilimsel araştırma, dijital patoloji görüntülerinin yapay zeka tarafından nasıl sistematik bir şekilde kategorize edilebileceğini kanıtlıyor. Geliştirilen model, doku görüntülerindeki en küçük özellikleri bile analiz ederek hücrelerin iyi huylu mu yoksa kanserli mi olduğunu ayırt edebiliyor.
Karmaşık Görüntülerden Kusursuz Veriye
Araştırmada kullanılan teknik, görüntülerdeki renk dağılım farklılıklarını standartlaştıran özel bir normalleştirme yöntemiyle (Reinhard yöntemi) başlıyor. Ardından, yüksek çözünürlüklü doku örnekleri küçük parçalara bölünerek derin öğrenme ağına aktarılıyor. Çalışmada uygulanan "transfer öğrenme" tekniği sayesinde, yapay zeka mevcut bilgilerini yeni verilerle harmanlayarak çok daha hızlı ve etkili sonuçlar üretiyor.
%97 Doğrulukla İkili Sınıflandırma Başarısı
Bilimsel çalışmanın en çarpıcı sonuçlarından biri, modelin eğitim verileri üzerindeki yüksek performansıdır. Geliştirilen ağ, doku parçalarını kanserli olan ve olmayan şeklinde iki ana gruba ayırmada %97.06 gibi rekor bir doğruluk oranına ulaştı. Daha karmaşık olan ve dokuyu dört farklı kategoriye (normal, iyi huylu, yerinde karsinom ve invaziv karsinom) ayıran testlerde ise %93.75’lik bir başarı sergiledi.
Patologlar İçin Güçlü Bir Dijital Mesai Arkadaşı
Bu yeni teknoloji, bir patoloğun yerini almaktan ziyade, teşhis sırasında "ikincil bir görüş" sağlayan yardımcı bir araç olarak tasarlanmıştır. Bilgisayar destekli bu sistemler, özellikle şüpheli vakalarda uzmanlara yol göstererek erken teşhis oranlarını artırma potansiyeline sahiptir. Bilim insanları, bu tür derin öğrenme yaklaşımlarının gelecekte sadece meme kanserinde değil, birçok farklı hastalığın teşhisinde de standart hale geleceğini öngörüyor.
Kaynak: Altuntaş, T. S. (2024). A Deep Learning Approach for Categorizing Breast Carcinoma Histopathology Images (Doktora Tezi). Çukurova Üniversitesi, Fen Bilimleri Enstitüsü. Tez No; 850593