Tıp alanında tanı süreçlerini kökten dönüştürme potansiyeline sahip ileri bir yapay zeka modeli, ağız içi epitel displazisinin tespit ve derecelendirilmesinde çığır açan bir gelişme olarak gündeme geldi. Ağız epitel displazisi (OED), ağız mukozasında hücresel davranışların anormal hale gelmesiyle karakterize edilen ve oral kanser ilerleyişinde kritik öneme sahip precanceröz bir durumdur. Bu hastalığın doğru ve hassas bir şekilde derecelendirilmesi, uygun ve zamanında müdahaleyi mümkün kılarken; patologların uzmanlığına dayanan histopatolojik incelemeler ise oldukça karmaşık ve subjektif değerlendirmelere sahiptir. Tahran Tıp Bilimleri Üniversitesinden araştırma ekibi, bu zorluklara çözüm getirmek ve tanı doğruluğunu artırmak amacıyla Vision Transformer (ViT) mimarisi tabanlı yeni bir yapay zeka sistemi geliştirdi.
Histopatoloji alanındaki tanısal süreçler, boyanmış doku kesitlerinin mikroskobik incelemesine dayanır ve bu, deneyimli patoloji uzmanlarının uzmanlığını gerektiren zor ve yorucu bir iştir. Ayrıca, gözlemciye göre değerlendirmelerde önemli farklılıklar olabilmektedir. Geliştirilen yapay zeka sistemi, bu analitik iş akışını otomatikleştirerek daha kesin tanılar sağlamayı, insan kaynaklı hataları minimize etmeyi ve maliyetleri azaltmayı hedeflemektedir. Çalışmada, kurumların arşivlerinden toplanan 218 histopatolojik slayt görüntüsüne ek olarak, açık erişimli veri tabanlarından temin edilen görüntüler kullanıldı. İki bağımsız ağız patoloğu tarafından, 2022 Dünya Sağlık Örgütü (WHO) derecelendirme sistemi doğrultusunda; hafif, orta ve ağır displazi, düşük risk, yüksek risk olmak üzere ikili sınıflandırma ve ayrıca normal dokuyu içeren kategoriler titizlikle etiketlendi.
Bu yenilikçi başarının teknik odağı, geleneksel konvolüsyonel sinir ağlarından (CNN) farklı olarak, self-attention mekanizmalarını kullanarak tüm görüntüdeki uzun menzilli ilişkileri yakalayan Vision Transformer algoritmasıdır. CNN’lerin sadece lokal özellikleri çıkarabildiği, oysa Transformer’ların daha geniş bir bağlamsal anlayışla histolojik yapıları analiz edebildiği bu yaklaşım, OED görüntülerinin karmaşık yapısını daha iyi kavrayıp sınıflandırmada üstünlük sağlamaktadır. Araştırmacılar, ViT modelinin performansını VGG16 ve özel tasarlanmış bir ConvNet modeli ile karşılaştırarak değerlendirdi.
Veri ön işlemi aşaması, ham histopatolojik slaytların lokal doku bölgelerini temsil eden birbirinden bağımsız ‘yama’ (patch) halinde parçalara ayrılmasıyla gerçekleşti. Elde edilen 2.545 düşük risk, 2.054 yüksek risk yaması; bunların içinde 726 hafif, 831 orta ve 449 ağır displazi yaması ile 937 normal doku yaması, detaylı sınıflandırma ve model eğitimi için rich bir veri seti oluşturdu. Bu yüksek çözünürlüklü ayrıntılı yapı, modelin genelleme kabiliyetini artırırken, gerçek klinik ortamlar için iç geçerliği destekleyen sağlam bir eğitim zemini sağladı.
Sayısal değerlendirmeler, Vision Transformer’ın üstün tahmin kapasitesini net bir şekilde ortaya koydu. WHO’nun üç sınıflı grading sistemine göre ViT modelinin %94 doğruluk elde etmesi, VGG16 ve ConvNet modellerinin sırasıyla %86 ve %88’lik başarı oranlarını önemli ölçüde geçti. Dört sınıfın yer aldığı, ikili risk sınıflandırması ile normal doku ayrımını içeren zorlu senaryoda ViT’in başarı oranı %97’ye ulaşırken, VGG16 %79 ve ConvNet %88’de kaldı. Bu farklar, ViT’nin displazi derecelerinin karmaşık morfolojik varyasyonlarını ayırt etme konusundaki üstün yetkinliğini ortaya koydu.
Performans göstergelerinin ötesinde, bu çalışma Vision Transformer’ların patoloji pratiklerine getireceği yapısal ve işlevsel yeniliklere de ışık tuttu. ViT’nin küresel mekânsal ilişkileri modelleme becerisi, hücresel farklılaşma, doku mimarisi bozuklukları ve stromal değişikliklerin incelikli sınıflandırılmasını mümkün kıldı. Bu, AI’nın geleneksel algoritmaların ötesinde, sadece yardımcı değil, aynı zamanda patoloğun değerlendirmesini güçlendiren bir araç olabileceğinin kanıtı oldu.
Araştırmanın önemi sadece ağız patolojisi alanı ile sınırlı kalmayıp, dünya genelinde sık görülen oral kanserlerin erken teşhisinde hayati bir adım olarak değerlendiriliyor. Erken tanı sayesinde, tedavi süreçleri iyileşmekte ve hastalık yükü birçok ülkede azalabilmektedir. Dijital patoloji ile birlikte bu yapay zeka tabanlı tanı sistemi, uzman erişiminin kısıtlı olduğu bölgelerde bile tekrarlanabilir, hızlı ve nesnel sonuçlar sunarak sağlık hizmetlerini dönüştürmeye aday.
Ayrıca, bu çalışma doğal dil işleme ve bilgisayar görüsü gibi alanlarda geliştirilen son teknoloji AI modellerinin tıbbi uygulamalara başarıyla adapte edilmesinde bir dönüm noktası oluşturdu. Görüntü tanıma alanında çığır açan Vision Transformer’ların heterojen ve karmaşık tıbbi görüntüler ile başa çıkmadaki başarısı, biyomedikal teknolojide yeni araştırma kapılarını aralıyor. OED derecelendirmesindeki bu uygulama, patoloji uzmanlığı ile yapay zekanın güçlü bir bütünleşmesini simgeliyor.
Bununla birlikte, araştırmacılar klinik uygulamalar öncesinde bazı zorlukların üstesinden gelinmesi gerektiğini de vurguluyor. Daha geniş ve çok merkezli veri kümelerinde doğrulama yapılması, farklı boyama protokollerinin entegrasyonu ve standartlaştırılmış yapay zeka dağıtım altyapılarının oluşturulması en önemli öncelikler arasında. Ayrıca, AI kararlarının şeffaf ve açıklanabilir biçimde sunulması, klinisyenlerin güvenini kazanmak ve etik uyum sağlamak bakımından zorunlu görülüyor.
Sonuç olarak, bu çalışma AI destekli histopatolojide yeni bir döneme işaret ediyor. Neredeyse insan seviyesindeki doğruluk ve karmaşık histolojik yapıları anlama kapasitesiyle Vision Transformer tabanlı model, bağımsız ya da tamamlayıcı bir tanı aracı olarak işlev görebilir. Tanı süreçlerini hızlandırdığı gibi, kaliteli tanıyı evrenselleştirerek özellikle kaynakların sınırlı olduğu bölgelerde hastalık yükünün azaltılmasına destek olabilir.
Bu araştırma AI yeniliklerinin tıbbi görüntüleme analizindeki geleneksel yetersizlikleri aşmada ne kadar etkili olabileceğini göstermektedir. Vision Transformer modeli, sağlık profesyonellerine kapsamlı diagnostik yetenekler sunarak oral patolojide hassasiyet temelli bir paradigmanın öncüsü oldu. Süregelen gelişmeler ve disiplinlerarası iş birlikleri, yapay zeka destekli patolojinin klinik akışa kesintisiz entegrasyonunu, erken tanıyı ve hastaların yaşam kalitesinin yükseltilmesini sağlayacak.
Ayrıca, Vision Transformer’ların başarılı kullanımı, ağız epitel displazisinin ötesinde diğer karmaşık histopatolojik tanı alanlarında da benzer teknolojilerin denenmesini teşvik ediyor. Kanser karakterizasyonu, prognozlandırma ve kişiselleştirilmiş tedavi süreçlerinde moleküler ve genomik verilerle bütünleştirilen yapay zeka yaklaşımları, gelecekte tanı algoritmalarını yeniden şekillendirebilir.
Özetle, yapay zeka ve patolojinin kesişim noktasında yeni bir çağ başlayabilir. Vision Transformer’ların mikroskobik doku morfolojisini çözümlemedeki potansiyeli, sağlık hizmetlerinde yapay zekinin geniş perspektifte kullanılabileceğinin somut örneği oldu. Bu çalışma, hesaplama bilimindeki son gelişmeler ile klinik uzmanlığın birleşerek daha hızlı, akıllı ve erişilebilir tanı araçlarına giden yolu açtığını gösteriyor.
Araştırma Konusu: Artificial intelligence application in grading histopathological images of oral epithelial dysplasia using Vision Transformer deep learning algorithms.
Makale Başlığı: Artificial intelligence based vision transformer application for grading histopathological images of oral epithelial dysplasia: a step towards AI-driven diagnosis.
Web References: https://doi.org/10.1186/s12885-025-14193-x
Doi Referans: https://doi.org/10.1186/s12885-025-14193-x
Resim Credits: Scienmag.com
Anahtar Kelimeler: ileri AI modelleri sağlıkta, yapay zeka tıbbi tanıda, AI performansı doku görüntü analizinde, otomatik tanı sistemleri, histopatolojik inceleme otomasyonu, oral patolojide doğruluğun artırılması, patoloji değerlendirme varyabilitesi, kanser tespiti için makine öğrenimi, ağız kanseri öncüsü tanısı, ağız epitel displazisi tespiti, Tahran Üniversitesi AI araştırmaları, Vision Transformer patolojide
