AI Vision Transformer ile Oral Displazi Tanısında İleri Düzey Teknoloji

Oral epitelyal displazi (OED), ağız mukozasında kanser öncesi değişikliklere işaret eden kritik bir patolojik durum olarak tanımlanır ve erken teşhisi, tedavi başarısını doğrudan etkileyen önemli bir faktördür. Ancak, OED’nin derecelendirilmesi histopatolojik inceleme ile yapılırken, uzmanlık gerektiren ve subjektif farklılıklara açık bir süreç olması, tanıda tutarlılığı zorlaştırmaktadır. Bu zorluğun üstesinden gelmek amacıyla, Tahran Üniversitesi Tıp Fakültesi’nden bir araştırma grubu, yapay zekâ alanında devrim niteliğinde bir başarı ortaya koyarak Vision Transformer (ViT) mimarisi ile desteklenen yapay zeka tabanlı bir model geliştirmiştir. Bu yeni yaklaşımla, ağız epitelyal displazisinin histopatolojik görüntülerden sınıflandırılması ve derecelendirilmesinde çarpıcı ilerlemeler sağlanmıştır.

Geleneksel yöntemlerde, histopatoloji uzmanları, ağız mukozasından alınan ve boyanmış doku kesitlerini mikroskop altında inceleyerek displazinin derecesini tespit etmektedir. Bu yöntem hem zaman alıcı hem de yorumlayıcılar arasında değişkenlik gösterebilen bir süreçtir. Yeni geliştirilen sistem, bu süreci otomatikleştirerek yüksek hassasiyet ve nesnellik vaat etmektedir. Araştırmacılar, laboratuvar arşivleri ve açık erişimli veri kaynaklarından derlenen 218 histolojik slayt görüntüsünü, son 2022 Dünya Sağlık Örgütü (WHO) derecelendirme sistemi doğrultusunda uzman patologlar tarafından dikkatle etiketlemiştir. Bu etiketlemede, hafif, orta ve şiddetli displazi gibi üçlü sınıflandırmanın yanı sıra ikili risk sınıflandırması (yüksek risk ve düşük risk) ve normal doku kategorileri de yer almıştır.

Vision Transformer algoritması, bu gelişmenin teknik kalbini oluşturmaktadır. Geçmişte yaygın olarak kullanılan konvolüsyonel sinir ağları (CNN’ler), yerel dokusal özellikleri belirlemede oldukça başarılı olsa da, görüntünün uzun menzilli bağıntılarını yakalamada sınırlı kalmaktaydı. Vision Transformerlar ise, kendine dikkat (self-attention) mekanizması kullanarak tüm görüntünün geniş alansal ilişkilerini hesaba katar ve böylece doku içerisindeki karmaşık morfolojik örüntülerin bütüncül bir analizini mümkün kılar. Bu model, VGG16 ve özel olarak tasarlanmış bir ConvNet modeli ile karşılaştırıldığında üstün bir performans ortaya koymuştur.

Araştırmada, histopatolojik slaytlar daha küçük ‘parçacıklara’ bölünerek detaylı analiz için yüksek çözünürlüklü bir veri seti oluşturulmuştur. Bu veri setinde düşük riskli dokuya ait 2545, yüksek riskli lezyonlara ait 2054 parça ve ayrıca hafif (726), orta (831) ve şiddetli displazili (449) dokularla birlikte 937 adet normal doku yer almıştır. Bu detaylandırılmış yapılandırma modelin eğitim, test ve validasyon süreçlerinde güçlü bir genelleyicilik ve sağlamlık sağlamıştır.

Sonuçlar, ViT modelinin üstün tahmin gücünü ortaya koymuştur. WHO’nun üçlü sınıflandırmasına göre ViT, %94 doğruluk oranı ile VGG16’nın %86’sı ve ConvNet’in %88’inin oldukça üzerine çıkmıştır. Ayrıca, dört sınıflı senaryoda — yüksek ve düşük risk sınıflandırması ile normal sınıfın eklendiği durumda — ViT %97 doğruluk elde etmiş, VGG16 %79 ve ConvNet %88 oranlarını göstermiştir. Bu sayısal veriler, ViT’nin histolojik incelemede morfolojik farklılıkları daha hassas ve detaylı biçimde ayırt ettiğini gözler önüne sermektedir.

ViT’nin temel avantajlarından biri, hücresel atypi, doku mimarisindeki bozulmalar ve stromal alanlardaki değişim gibi displazi spektrumlarına özgü ince farkları algılayabilme yeteneğidir. Bu sayede algoritma yalnızca otomatik bir yardımcı olmaktan çıkıp, patolojistlerin yorumlarını tamamlayıcı hatta geliştirici bir rol üstlenmeye adaydır. Böylece, patolojik inceleme hızlanırken hata oranları azaltılmakta, uygulanabilirlik ise genişlemektedir.

Bu yenilik, özellikle ağız kanserlerinin dünya genelindeki yüksek insidansı göz önüne alındığında, halk sağlığı açısından kritik bir öneme sahiptir. Erken ve doğru tanı sistemi, yaşam kalitesini artırırken, tedavi maliyetlerini düşürme potansiyeline sahiptir. Yapay zekâ destekli bu tanısal yaklaşım, dijital patolojinin klinik pratiğe entegrasyonunda önemli bir köprü oluşturarak, uzman eksikliğinin yaşandığı bölgelerde bile yüksek standartlarda tanı konulmasına olanak tanıyabilir.

Araştırmanın bir diğer çarpıcı boyutu ise, doğal dil işleme ve genel bilgisayar görme alanlarında geliştirilen ileri AI modellerinin, biyomedikal görüntü analizinde başarıyla adaptasyonunun mümkünlüğünü göstermesidir. Vision Transformerlar, heterojen ve karmaşık tıbbi görüntü setlerinde de üstün performans gösterebilirken, bu durum disiplinler arası iş birliğinin önemini bir kez daha doğrulamaktadır. Böylece klinik uzmanlık ve yapay zekanın kesişim noktalarında çığır açıcı gelişmeler sağlanmaktadır.

Elbette, klinik uygulamalara tam entegrasyon öncesinde aşılması gereken kimi engeller mevcuttur. Araştırmacılar, elde edilen sonuçların çok merkezli ve farklı boyama protokolleri içeren daha geniş veri setlerinde doğrulanmasının gerekliliğine vurgu yapmaktadır. Ayrıca, AI kararlarının şeffaf ve yorumlanabilir biçimde sunulması, doktorlar nezdinde güven oluşturmanın temel taşlarından biridir. Etik kurallar çerçevesinde bu teknolojilerin hasta bakımına dahil edilmesi kritik önemdedir.

Sonuç olarak, Vision Transformer tabanlı sistem, ağız epitelyal displazi teşhisinde insan seviyesine yakın doğruluk elde ederek, geleceğin histopatoloji laboratuvarlarında yapay zekânın ne denli etkin bir rol üstlenebileceğini kanıtlamıştır. Bu yaklaşımla hem tanı süreci hızlanacak hem de kalite standartları evrensel olarak yükseltilecek, böylelikle dünyada ağız kanserinden kaynaklanan sağlık yükü azaltılabilecektir. Teknolojinin erişilebilirliği arttıkça, özellikle gelişmekte olan ülkelerde kritik ölçüde fayda görülmesi beklenmektedir.

Bu çalışmanın açtığı yolda, yakın zamanda daha farklı histopatolojik tanı kategorilerinde Vision Transformer tabanlı yaklaşımlar geliştirilebilir. Kanser hücresinin detaylı karakterizasyonundan hastalığın seyrine ve tedavi planlamasına kadar, multidisipliner veri kaynakları ile birleştirilen yapay zekâ sistemleri, kişiselleştirilmiş onkoloji yönetiminde dönüştürücü rol oynayabilir. Moleküler ve genetik verilerle entegrasyon, tanı algoritmalarına yeni boyutlar katacaktır.

Tüm bunların ışığında, yapay zekâ ve patoloji alanlarının kesişimi, tıbbi tanıda yeni bir çığır açmaktadır. Vision Transformerların mikroskobik doku morfolojisini çözümleme becerisi, AI araştırmalarının sağlık hizmetlerini nasıl dönüştürebileceğini göstermektedir. Mevcut çalışma, ileri hesaplama teknolojileri ile klinik uzmanlığı birleştirmenin gücünü ortaya koymuş, daha hızlı, daha akıllı ve daha herkese erişilebilir teşhis araçları geliştirilmesi yolunda önemli bir adım olmuştur.

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: advanced AI models in healthcare, AI in medical diagnostics, AI performance in tissue image analysis, automated diagnostic systems in medicine, histopathological examination automation, improving precision in oral pathology, inter-observer variability in pathology, machine learning for cancer detection, oral cancer precursors diagnosis, oral epithelial dysplasia detection, Tehran University research in AI, Vision Transformer for pathology