Tıp ve yapay zekânın kesiştiği noktada yürütülen yeni bir akademik çalışma, meme kanseri teşhisinde devrim yaratabilecek bir yaklaşım ortaya koydu.
Başkent Üniversitesi Fen Bilimleri Enstitüsü’nde hazırlanan doktora tezinde, derin öğrenme algoritmaları kullanılarak mamografi görüntülerinde meme kanseri kitlelerini tespit eden gelişmiş bir yapay zekâ modeli geliştirildi.
Büşra Kübra Karaca Aydemir tarafından hazırlanan çalışma, yalnızca teorik bir model önermekle kalmıyor; aynı zamanda gerçek klinik veriler üzerinde test edilen ve yüksek doğruluk oranlarına ulaşan bir sistem ortaya koyuyor. Araştırma, gelecekte yapay zekânın radyologların karar süreçlerini destekleyen güçlü bir araç haline gelebileceğini gösteriyor.
Meme Kanserinde Erken Teşhis Neden Kritik?
Meme kanseri, dünya genelinde kadınlar arasında kanser kaynaklı ölümlerin başlıca nedenlerinden biri olarak kabul ediliyor. Bu nedenle erken teşhis, hastalığın tedavisinde hayati önem taşıyor.
Mamografi, meme kanserinin erken evrede tespit edilmesinde en temel görüntüleme yöntemlerinden biri. Ancak bu görüntüler genellikle radyologlar tarafından manuel olarak inceleniyor. Çok sayıda görüntünün değerlendirilmesi, yoğun meme dokusu ve lezyon çeşitliliği gibi faktörler tanı sürecini zorlaştırabiliyor. Ayrıca uzun inceleme süreçleri dikkat dağınıklığına yol açarak tanı doğruluğunu etkileyebiliyor.
İşte bu noktada yapay zekâ devreye giriyor.
Derin Öğrenme ve YOLO Algoritması Tanı Sürecine Giriyor
Araştırmada kullanılan sistem, derin öğrenme tabanlı bir nesne tespit algoritması olan YOLO (You Only Look Once) mimarisi üzerine kuruldu. Bu algoritma, görüntüler içindeki nesneleri gerçek zamanlı olarak tespit edebilme ve sınıflandırabilme yeteneğiyle biliniyor.
Çalışmada farklı YOLO mimarileri kullanıldı:
-
YOLOv5
-
YOLOv8
-
YOLOv9 (GELAN)
Bu mimariler, dikkat mekanizmaları ve evrişimsel bloklar eklenerek geliştirilmiş model varyantlarıyla test edildi. Amaç, mamografi görüntülerinde bulunan kitleleri en yüksek doğrulukla tespit edebilecek sistemi geliştirmekti.
Uluslararası Veri Setleri ve Klinik Görüntüler Kullanıldı
Model yalnızca tek bir veri setiyle değil, farklı kaynaklardan gelen geniş veri kümeleriyle eğitildi. Araştırmada kullanılan başlıca veri setleri şunlar oldu:
-
CBIS-DDSM
-
VinDr-Mammo
-
INBreast
-
Başkent Üniversitesi Ankara Hastanesi klinik verileri
Bu veri kümeleri üzerinde yapılan eğitim ve doğrulama süreçleri sayesinde modelin hem akademik veri setlerinde hem de gerçek hastane görüntülerinde performansı test edildi.
En Başarılı Model Yüksek Doğruluk Oranına Ulaştı
Araştırmanın sonuçları oldukça dikkat çekici.
GELAN mimarisine derinlemesine evrişim (DWConv) ve dikkat mekanizması (CBAM) eklenerek geliştirilen model, testlerde 0.878 mAP@0.5 doğruluk skoruna ulaştı.
Başkent Üniversitesi Ankara Hastanesi’ne ait klinik veriler üzerinde yapılan testlerde ise YOLOv5s tabanlı başka bir model 0.848 mAP@0.5 performans elde etti.
Bu sonuçlar, geliştirilen yapay zekâ sisteminin hem araştırma veri setlerinde hem de gerçek klinik ortamda güçlü bir performans sergilediğini gösteriyor.
Klinik Karar Destek Sistemleri İçin Güçlü Bir Aday
Çalışmanın en önemli çıktılarından biri, geliştirilen modelin gelecekte klinik karar destek sistemlerine entegre edilebilecek potansiyele sahip olması.
Bu tür sistemler:
-
radyologların iş yükünü azaltabilir
-
görüntü inceleme süresini kısaltabilir
-
erken teşhis oranlarını artırabilir
-
tanı sürecindeki insan kaynaklı hataları azaltabilir
Araştırma, yapay zekânın sağlık alanında yalnızca yardımcı bir teknoloji değil, aynı zamanda teşhis süreçlerini dönüştürebilecek stratejik bir araç olabileceğini ortaya koyuyor.
Yapay Zekâ ve Tıp: Geleceğin Tanı Sistemleri
Bu doktora çalışması, derin öğrenme algoritmalarının tıbbi görüntüleme alanındaki potansiyelini bir kez daha gözler önüne seriyor. Özellikle meme kanseri gibi erken teşhisin hayati önem taşıdığı hastalıklarda yapay zekâ destekli sistemler, geleceğin sağlık teknolojilerinin merkezinde yer alabilir.
Bilim dünyasında giderek artan bu tür çalışmalar, yakın gelecekte hastanelerde yapay zekâ destekli teşhis araçlarının standart hale gelebileceğine işaret ediyor.
Kaynak
Karaca Aydemir, Büşra Kübra. “Derin Öğrenme Yaklaşımları ile Meme Kanseri Tespiti ve Sınıflandırması.” Doktora Tezi, Başkent Üniversitesi Fen Bilimleri Enstitüsü, Biyomedikal Mühendisliği Anabilim Dalı, Ankara, 2025. Tez No; 956071