Dünya genelinde her yıl yaklaşık 1,93 milyon yeni vakayla karşımıza çıkan kolorektal kanserin (kalın bağırsak kanseri) erken teşhisinde, yapay zeka ve derin öğrenme teknolojileri yepyeni bir dönemin kapısını aralıyor.
Kanser teşhis ve tedavisinde en büyük zorluklardan biri, mikroskobik düzeydeki doku karmaşıklığını ve hücre çekirdeklerindeki düzensizlikleri hatasız bir şekilde tespit etmektir. Dünya genelinde her yıl milyonlarca insanı etkileyen kolorektal (kalın bağırsak) kanser, erken evrede fark edilmediğinde hayati risk oluşturmaktadır. Geleneksel yöntemlerle yapılan manuel histopatolojik incelemeler, uzman patologlar için hem çok zaman alıcıdır hem de insan gözünden kaynaklanan yorgunluk ve subjektif yorum farkı gibi dezavantajlar barındırabilmektedir. Bilim dünyası, bu süreci tamamen otomatikleştirerek hata payını sıfıra indirmek ve teşhis hızını katlamak için derin öğrenme modellerine odaklandı.
Derin Öğrenme Modelleri Hücre Çekirdeklerini Nasıl Ayrıştırıyor?
Güncel bir bilimsel araştırmada, bilgisayarlı görü ve hesaplamalı patoloji alanında çığır açan U-Net ve U-Net++ mimarileri kullanılarak kalın bağırsak hücre görüntülerinin bölütlenmesi (segmentasyonu) ele alındı. Yüz binlerce hücre çekirdeğinin işlendiği bu kapsamlı çalışmada, doku içindeki her bir çekirdeğin tekil olarak tespiti (instance segmentation) ve bu çekirdeklerin epitel, lenfosit, plazma, nötrofil, eozinofil ve bağ dokusu gibi farklı biyolojik sınıflara ayrı mı (class segmentation) yapılması sağlandı.
Mimari Güçlerin Karşılaşması: U-Net ve U-Net++
Araştırma, iki farklı derin öğrenme modelinin doku analizindeki yeteneklerini gözler önüne serdi:
-
U-Net Mimarisi: Sahip olduğu kodlayıcı-kod çözücü (encoder-decoder) yapısı sayesinde, düşük miktardaki etiketli verilerle bile yüksek doğrulukta sınır tespiti yapabildiğini kanıtladı. Özellikle hücre sınırlarının yakalanmasında yüksek hassasiyet (recall) oranlarına ulaştı.
-
U-Net++ Mimarisi: Standart modelin geliştirilmiş bir versiyonu olan bu yapı; iç içe geçmiş atlama bağlantıları (nested skip connections) ve yoğun bloklar sayesinde çok katmanlı özelliklerin birleştirilmesinde üstün başarı gösterdi. Sınıf bazlı segmentasyonda (özellikle epitel ve eozinofil hücrelerin ayrıştırılmasında) standart modele kıyasla çok daha net ve kararlı sonuçlar ortaya koydu.
Görünmeyeni Aydınlatmak: Klinik Verimlilik ve Gelecek Ufku
Bu tür yapay zeka tabanlı otonom tanımlama sistemleri, patologların iş yükünü hafifletmekle kalmıyor, aynı zamanda tümör evrelemesi ve tedavi planlamasında da kritik bir referans sunuyor. Araştırma sonuçları, nadir görülen bazı hücre tiplerinde (örneğin nötrofiller) veri dengesizliğinden kaynaklı zorluklar yaşandığını gösterse de, gelecekte daha büyük veri setleri ve gelişmiş kayıp fonksiyonları (Loss functions) ile bu sistemlerin kusursuzlaşacağını müjdeliyor. Yapay zekanın tıp bilimiyle bu entegrasyonu, gelecekte kanser teşhis süreçlerinde yepyeni bir dönemin kapılarını aralıyor.
Kaynak; Özkan, A. (2025). Segmentation of Colon Nuclei Images Using Deep Learning (Yüksek Lisans Tezi). İstanbul Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektronik ve Haberleşme Mühendisliği Anabilim Dalı, Biyomedikal Mühendisliği Programı. Tez No: 957719
