Akademik Veri Yönetim Sistemi
TÜBİTAK Projesi, 1002 - Hızlı Destek Programı, 2025 - 2026
Akciğer
kanseri dünya genelinde en yaygın görülen ve en ölümcül kanser türlerinden
biridir. Kansere bağlı ölümlerde ilk sıralarda yer alması hastalığın erken
teşhis edilmesini ve doğru şekilde sınıflandırılmasını hayati hale
getirmektedir. Erken evrede tespit edilen akciğer kanseri uygun tedavi
yaklaşımlarıyla kontrol altına alınabilirken geç evrede tanı konulduğunda
hastaların sağ kalım süresi önemli ölçüde azalmaktadır. Bu nedenle yüksek
doğruluk oranına sahip tanı yöntemlerinin geliştirilmesi tedavi sürecinin
başarısını artırmak açısından büyük bir önem arz etmektedir. Histopatolojik
inceleme, akciğer kanseri tanı ve sınıflandırmasında temel bir yöntem olarak
kullanılsa da dokuların biyobelirteçlerinin analizinde yetersiz kalmaktadır.
Multipleks immünohistokimya (IHC) histopatolojik inceleme, aynı doku kesitinde
birden fazla biyobelirteci görselleştirilebilmekte ve karmaşık tümör
mikroyapısını daha ayrıntılı bir şekilde analiz etmeyi mümkün kılmaktadır.
Özellikle akciğer kanseri gibi heterojen yapıya sahip tümörlerin teşhisinde bu
yöntem önemli avantajlar sunmaktadır. Bununla birlikte, multipleks IHC ile elde
edilen histopatolojik görüntüler yüksek çözünürlüklü ve çok boyutlu veri
içermektedir bu da manuel analiz süreçlerini zorlaştırmaktadır. Geleneksel
yöntemlerle yapılan bu analizler genellikle zaman alıcıdır ve insan hatasına
açık olabilmektedir. Bu noktada, Yapay Zeka (YZ) destekli modellerle
görüntüleri işleyen ve kanserli hücreleri otomatik tespit edebilen
sınıflandırıcı sistemleri tasarlamak büyük önem taşımaktadır.
Önerilen proje ile akciğer kanseri teşhisinde manuel analiz süreçlerinden kaynaklanan insan hatalarını azaltmak ve tanı süreçlerini hızlandırmak amacıyla klinik karar destek sistemlerinde kullanılacak yapay zeka destekli bir yazılım prototipinin geliştirilmesi amaçlanmaktadır. Projede multipleks IHC yöntemiyle elde edilen histopatolojik görüntüler kullanılarak akciğer kanserinin erken ve doğru teşhisini destekleyecek yenilikçi bir derin öğrenme modeli tasarlanacaktır. Geliştirilecek yöntem, DeiT (Data-Efficient Image Transformer) modeli ve çoklu dikkat ağı (Multi-Scale Attention Network) mekanizmasına dayalı olacaktır. Transformer tabanlı DeiT modeli, geleneksel derin öğrenme yaklaşımlarına kıyasla daha az veriyle üstün performans gösterebilme avantajı sunarken çoklu dikkat ağı mekanizması histopatolojik görüntülerdeki farklı bölgelerde yer alan biyobelirteçlerin daha hassas şekilde analiz edilmesine olanak tanıyacaktır. Modelin karar verme sürecini daha şeffaf hale getirmek için dikkat haritaları (attention maps) oluşturulacaktır. Bu haritalar modelin hangi bölgelere odaklandığını görselleştirerek klinik uzmanların tanıyı daha iyi yorumlamasına olanak tanıyacaktır. Modelin genel performansı doğruluk (Accuracy), duyarlılık (Recall), kesinlik (Precision), alıcı işletim karakteristiği altındaki alan (Area Under the Receiver Operating Characteristic Curve, AUC) ve F1-skora dayalı olarak değerlendirilecektir. Test aşamasında modelin klinik karar destek sistemlerine entegrasyonunun sağlanması için bir kullanıcı arayüzü geliştirilecektir. Bu arayüz ile model çıktılarının etkileşimli bir şekilde incelenmesine imkan sağlanacaktır. Sonuç olarak önerilen yapay zeka tabanlı bu sistem ile akciğer kanseri teşhisinde yüksek doğruluklu ve klinik uygulanabilirliği yüksek akıllı bir karar destek mekanizması sunulacaktır.