CNN derin öğrenme tekniği kullanılarak prostat kanser hastalığının teşhisi

Prostat kanseri (PKa) için bir risk sınıflandırma yöntemi olan Gleason derecelendirmesi subjektif, yani girdi görüntüyü inceleyen ve rapor eden patoloğun deneyim ve uzmanlığına yoğun bir biçimde bağlıdır. Onun dışında, gleason derecelendirmesi PKa teşhisi/tedavisi için önemli olsa da zaman alıcı bir iştir. Ayrıca, biyopsi görüntülerini teşhis/derecelendirme süreci gözlemci patologlar arasında önemli farklılıklara sahip olup, bireysel hastalar için teşhis/tedavi verimliliği ve etkinliğini sınırlayabilmektedir. Makine Öğrenmesi (MÖ) ve Derin Öğrenme (DÖ) sistemleri, gleason derecelendirmesinin nesnelliğini ve verimliliğini artırma konusunda umut vaat etmiştir. Ancak, derin öğrenme ağları tek başına kullanıldığında, eğitim verileri dışındaki bir kaynaktan Tüm Slayt Görüntülerinde (TSG) etki alanı kayması ve düşük performans sergiler. Dolayısıyla, bu çalışmada makine öğrenmesi ve derin öğrenme algoritmalarının karma olarak kullanılması amaçlanmıştır. Bu sistemde, girdi biyopsi görüntüsü üzerinde önemli bölgeleri otomatik olarak belirleyebilen ve belirlenen bölgeleri doğru bir şekilde sınıflandırabilen yapay zekâ tabanlı prostat kanseri tespit ve teşhis sistemi geliştirilmiştir. Önemli bölgeleri tespit etmek (yerelleştirme görevi için) YOLO algoritması kullanılmıştır. Algoritma, bu çalışma için oluşturulan prostat kanseri veri kümesi ile yeniden eğitilmiştir. Veri seti, 500 gerçek prostat dokusu biyopsi görüntüsünden oluşmaktadır. Veri seti, veri artırma işleminden önce sırasıyla 450/50 gerçek prostat dokusu görüntüsü olarak eğitim/test kısımlarına ayrılmıştır. Daha sonra 450 etiketli biyopsi görüntüsünden oluşan eğitim seti, veri çoğaltma yöntemi ile ön işleme tabi tutulmuştur. Bu sayede veri setindeki biyopsi görüntü sayısı 450'den 1776'ya yükseltilmiştir. Ardından veri seti ile algoritma eğitilmiş ve otomatik prostat kanseri tespit ve teşhis aracı geliştirilmiştir. Geliştirilen araç iki test seti ile test edilmiştir. İlk test seti, eğitim setine benzeyen 50 görüntü içermektedir. Böylece %97 tespit ve sınıflandırma doğruluğu sağlanmıştır. İkinci test seti ise tamamen farklı 137 gerçek prostat doku biyopsi görüntüsü içerir. Böylece %89 tespit doğruluğu elde edilmiştir. Bu çalışmada, otomatik prostat kanseri tespit ve teşhis aracı geliştirilmiştir. Test sonuçları, nesne algılama algoritmaları gibi yapay zekâ (bilgisayar görüşü) yöntemleri kullanılarak yüksek doğruluklu (yüksek performanslı) prostat kanseri teşhis araçlarının geliştirilebileceğini göstermektedir. Bu sistemlerin, patologlar arasındaki gözlemciler arası değişkenliği azaltabileceği ve tanı aşamasındaki zaman gecikmesini önlemeye yardımcı olabileleceği kanısına varılmıştır.