Pathology‑CoT ile uzmanın tüm slayt inceleme adımları yapay zekâya aktarılıyor

Tüm slayt görüntüleme (WSI) teknolojisi, patolojide büyük ölçekli otomasyon vaadi taşıyor; ancak yapay zekâ tabanlı sistemlerin önemli bir darboğazı bulunuyor. Mevcut tanı modelleri çoğu zaman “bir görüntüyü etiketle” mantığıyla çalışıyor. Oysa pratikte patoloji uzmanı, dokuyu tek bir kare gibi okumuyor; görüntü üzerinde dolaşıyor, büyütmeyi değiştiriyor, şüpheli alanlara yakınlaşıyor ve farklı görsel ipuçlarını klinik muhakeme ile adım adım ilişkilendirerek sonuca gidiyor. Bu etkileşimli, iteratif süreçten doğan “sessiz bilgi”nin, güncel eğitim verilerinde yeterince temsil edilmemesi; etken (agentic) görsel akıl yürütme sistemlerinin statik görevlerin ötesine geçmesini zorlaştırıyor.

Nature Biomedical Engineering’de (2026) yayımlanan yeni bir çalışmada araştırmacılar, uzmanların WSI üzerinde izlediği dikkat ve kontrol akışını yapay zekâya aktarmayı hedefleyen Pathology‑CoT adlı bir çerçeve öneriyor. Çalışmanın temel fikri, uzmanların rutin bir inceleme sırasında nereye baktığını, ne zaman büyütmeyi artırdığını ve hangi bölgelere odaklanarak karar mantığını kurduğunu izlenebilir bir talimat dizisine dönüştürmek. Böylece model yalnızca “neye bakacağını” değil, aynı zamanda bu bakışın hangi sırayla, hangi doğrultuda ve hangi gerekçeyle derinleştirileceğini öğrenebiliyor.

Pathology‑CoT yaklaşımı, uzman davranışının zaman içindeki örüntüsünü eğitim denetimi (supervision) haline getirmeyi amaçlıyor. Araştırmanın vurguladığı nokta, patoloji okumanın tek aşamalı bir sınıflandırma olmadığından, zincirleme bir görsel muhakeme gerektirdiği. Uzman, geniş alan taramasıyla olası şüpheli bölgeleri saptayıp ardından daha yüksek büyütmede ayrıntılara iniyor; bu süreçte morfolojik farklılıklar, doku mimarisi ve ince görsel işaretler birbirini tamamlayacak biçimde yeniden yorumlanıyor. Pathology‑CoT, bu “dikkat zincirini” yapılandırılmış yönergelere çevirerek, bir ajanının WSI içinde gezinmesini ve ilgili bölgelerde kararını tekrar tekrar güncellemesini desteklemeyi hedefliyor.

Çalışmanın arka planında, etken görsel akıl yürütme alanının sık karşılaştığı bir sorun var: Pek çok model, eğitim sırasında verildiği haliyle sınırlı kalıyor ve uzmanların yaptığı gibi görüntü üzerinde aktif bir araştırma ve doğrulama döngüsü kurmakta zorlanıyor. Araştırmacılar, çözümün yalnızca daha büyük veri setleri veya salt görsel özellik çıkarımı olmadığını; uzmanın etkileşimli inceleme davranışının öğrenme sinyaline doğrudan dahil edilmesi gerektiğini savunuyor. Bu yaklaşım, eğitim verisini “tek komutlu” etiketlerden ziyade, davranışın adım adım yönlendirilmesine yaklaştırmayı amaçlıyor.

Pathology‑CoT’nin raporlanan hedefi, WSI tanı sürecinde uzmanların dikkat sıralamasını taklit ederek zincirleme akıl yürütmeyi mümkün kılmak. Böylece model, yalnızca belirli bir lezyon varlığını saptamakla sınırlı kalmayacak; örneğin şüpheli bir alana yaklaştığında hangi görsel kanıt türlerini arayacağını ve bu kanıtları önceki bulgularla nasıl ilişkilendireceğini öğrenmeye yönlendirilecek. Çalışmanın ortaya koyduğu çerçeve, bir yandan patoloji uygulamalarında insan uzmanlığının değerini korumaya çalışırken, diğer yandan bu uzmanlık bilgisinin bir yapay zekâ sisteminin karar akışına aktarılabilmesini test eden bilimsel bir zemin oluşturuyor.

Bu tür davranış-temelli eğitim yaklaşımları, tıbbi yapay zekâ tartışmalarında sıkça gündeme gelen “insan-doğrultusunda akıl yürütme” ihtiyacını öne çıkarıyor. Elbette, yöntemin performansına, genellenebilirliğine ve klinik ortama uyarlanabilirliğine dair ayrıntılar değerlendirme çalışmalarına bağlı olacak. Yine de Pathology‑CoT, WSI tanısını yalnızca görüntü sınıflandırması olarak değil, uzman etkileşimi ve dikkat yönetimi içeren bir süreç olarak ele alma yönünde somut bir adım sunuyor.

Kaynak: https://scienmag.com/pathology-cot-trains-visual-chain-of-thought-agents-using-expert-whole-slide-diagnoses/