Sağlık teknolojisi
DeepCancer — Meme Histopatolojisinde Açıklanabilir Yapay Zekâ
Hesaplamalı ve dijital patoloji için patoloji yapay zekâsı: hibrit modeller, Grad-CAM açıklanabilirliği ve ölçülebilir inceleme için araştırma yığını.
- Araştırma
- Murat Onur Kaderoğlu · Emre Şatır
- Proje türü
- Uygulamalı AI / araştırma prototipi
- Alan
- Dijital patoloji · hesaplamalı patoloji · meme histopatolojisi
- Temel teknoloji
- Swin Transformer + ConvNeXt · Grad-CAM
- Durum
- Çalışan araştırma prototipi
- Kullanım kapsamı
- Araştırma ve eğitim
- Araştırma yayını
- Journal of Artificial Intelligence with Applications · 2025
Yayınlanan test sonuçları
BreaKHis veri setinde bildirilen ikili benign / malign sınıflandırma sonuçlarıdır; klinik kullanım sonucu değildir.
Problem ve araştırma bağlamı
Histopatoloji yalnızca sınıflandırma problemi değildir; modelin hangi görüntü bölgelerinden etkilendiğinin uzman tarafından incelenebilmesi de önemlidir. DeepCancer, benign / malign sınıflandırmayı olasılıksal çıktı ve Grad-CAM görsel açıklamayla aynı araştırma iş akışında birleştirir.
Araştırma sisteminde ne geliştirildi?
Web tabanlı akış; histopatoloji görüntüsü → görüntü hazırlama ve doğrulama → hibrit Swin Transformer + ConvNeXt analizi → benign / malign olasılıksal sınıflandırma → Grad-CAM odak haritası → uzman incelemesi adımlarını birleştirir.
Neden hibrit mimari?
ConvNeXt yerel ve uzamsal örüntülerin temsilini desteklerken, Swin Transformer pencere tabanlı attention ile daha geniş bağlamsal ilişkileri modeller. Amaç, iki yaklaşımın temsil yeteneklerinden aynı sınıflandırma probleminde yararlanmaktır.
Açıklanabilirlik
Grad-CAM, tahmine etki eden görüntü bölgelerini odak haritası olarak gösterir. Bu görselleştirme model kararının doğruluğunu kanıtlamaz ve patolojik yorumun yerine geçmez; araştırmacının çıktıyı incelemesi için ek bağlam sağlar.
Araştırma ve doğrulama
Yayımlanan çalışma, açık erişimli BreaKHis veri setindeki 7.909 H&E görüntüyü, 82 hastayı ve 40×, 100×, 200×, 400× büyütme düzeylerini kullanır. Görüntüler 224 × 224 piksele ölçeklenmiş ve hibrit mimari üzerinde değerlendirilmiştir.
Araştırmadan çalışan sisteme
Prototipte uygun görüntü alınır, hibrit model olasılıksal çıktı üretir, Grad-CAM odak bölgelerini görselleştirir ve sınıflandırma ile görsel açıklama birlikte uzman incelemesine sunulur.
Mevcut sınırlar
DeepCancer tıbbi cihaz değildir; FDA veya CE onaylı klinik tanı ürünü değildir ve tanı ya da tedavi kararı için sunulmaz. Sonuçlar BreaKHis üzerindeki deneysel değerlendirmeye aittir; harici klinik doğrulama ve ilgili etik, teknik ve düzenleyici süreçler gerekir.
Çalışan araştırma prototipinden ekranlar
Bu ekranlar araştırma prototipinden alınmıştır. Olasılıksal sınıflandırma ve Grad-CAM görselleştirmesi klinik tanı veya tedavi kararı için kullanılmaz.
Birincil kaynaklar
Araştırmadan çalışan AI sistemine
TankDev, görüntü analizi, özel yapay zekâ modelleri ve açıklanabilir AI yaklaşımlarını araştırma prototiplerinden çalışan yazılım sistemlerine dönüştürür.
Uygulamalı Yapay Zekâ’yı inceleyin