Automatic recognition of lymph node metastasis of bladder cancer with artificial intelligence

Abstract

Yapay zekânın önemli bir alt başlığı olan derin öğrenme, sağlık hizmetlerinde önemli gelişmelere ve kolaylaştırmalara olanak tanımaktadır. Bu bağlamda derin öğrenme yöntemleri kullanılarak geliştirilen sağlıkla alakalı uygulamalar gün geçtikçe artmaktadır. Kanserli hücrelerin tespiti, tıbbi görüntüleme, hastalıkları öngörmek ve hastalıkların bulut sistemlerinde kayıtlarının alınması gibi çalışmalar buna örnek olarak verilebilir. Özellikle hastalıklı ve kanserli hücrelerin tespiti büyük öneme sahiptir. Çünkü tıbbın en önemli kuralı olan "erken teşhis hayat kurtarır" dan yola çıkıldığında, kanserli hücrelerin yapay zekâyla erken teşhis edilmesi hastaların hayata döndürülmesine büyük katkı sağlamaktadır. Çok çeşitli kanser türü olmakla beraber mesane kanseri en sık görülen kanser türlerinden biridir. Daha geniş bir doku alanına yayılan kanserli hücrelerin yanında küçük boyutlu tümör hücrelerini de içeren mesane kanseri teşhis edilmesi zor bir kanser türüdür. Bu araştırmada, mesane kanseri tümörlerinin lenf nodu metastazlarının derin öğrenme kullanılarak tespit edilmesi amaçlanmıştır. Yapılan deney ve eğitimlerde büyük alanlara yayılmış kanser hücreleri derin öğrenme modeliyle büyük ölçüde tespit edilebildiği halde küçük alana yayılan tümörlerde bu başarı düşüktür. Bu çalışmanın asıl amacı, Mask R-CNN algoritması kullanılarak büyük tümörlü alanlarda elde edilen başarılı tanıma sonuçlarının, modelin tanıma oranının düşük olduğu küçük tümörlü alanlarda da aynı ya da yakın bir oranla elde edilmesidir. Böylece uzun, zorlu çalışma saatleri ve oldukça yüksek hasta sayısına sahip olan doktorların, gözden kaçırabileceği küçük tümör alanlarının daha yüksek oranda tanınmasıyla doktorlara büyük kolaylık sağlanacaktır. Çalışma için özel oluşturulan veri seti, ResNet modelini kullanan Mask R-CNN algoritması ile test edilmiştir. Test sonuçlarında büyük alana yayılmış tümörlü hücrelerde kayda değer başarı sağlanırken küçük alanlarda modelin aynı başarıyı elde edemediği gözlenmiştir. Bu amaçla modelin aşama ve katman sayılarında değişiklikler yapılarak ve küçük bir veri setine rağmen küçük tümör alanlarında önemli bir tanıma artışı elde edilmiştir.