CNN (Evrişimsel Sinir Ağları) ve Cilt Kanseri Tanısı

    Kanser, 20. yüzyıldan beri küresel bir sağlık sorunu olarak görülmekte. Kısa ve fazla detaya girmeden kanserin tanımını yapmak istersek eğer; kanserin, büyük bir hızla çoğalan hücrelerin oluşturduğu kitleler olduğunu görürüz. Ayrıca vücut içindeki organların, dokuların içine giriş yaparak fonksiyon bozukluğuna sebep olması, damarlara ulaşarak vücudun geniş alanlarına yayılabilmesi , sağlıklı hücre özelliklerinden biri olan “kontrollü ölüm” özelliğini baskılayarak bir nevi ölümsüzlük yeteneği kazanmış olması da bir diğer önemli özelliklerindendir. Bu saydığımız özellikler doğrultusunda kanserin erken ve doğru tanısının konulması, tedaviye erken başlanması hayati önem taşımaktadır.

      Kanser türleri cinsiyet fark etmeksizin incelendiğinde en sık görülenin cilt kanseri olduğu görülür. Cilt kanseri de tıpkı diğer türler gibi çeşitli sebeplerle meydana gelen kötücül hücre büyümesidir. Fakat cilt kanserini diğer kanser türlerinden ayıran önemli bir fark vardır . Çünkü cilt kanseri büyük bir çoğunlukla  derinin en üst tabakası olan epidermiste gelişir. Bundan dolayı erken fark edilme olasılığı diğer kanser türlerine çok daha yüksektir.

AI IS THE NEW ELECTRICITY!   

Bu meşhur ve yapay zekanın günümüzdeki önemini kısaca tanımlayan söz Andrew Ng’e ait. Gerçekten de günümüzün yükselen trendlerinden olan yapay zeka teknolojileri günlük hayatın her anında ve alanında karşımıza çıkmakta. Tıpkı elektrik gibi! Özellikle tıp alanında kullanılan görüntüleme teknolojileri yapay zekanın da desteği sayesinde son zamanlarda büyük bir önem kazanmış durumda. Hatta cilt kanserinin erken tanısı için umut verici olan görsel muayene şu an makine öğrenmesi metotları sayesinde çok büyük ilerleme kaydetmekte.

Bu yazıdaysa “Convolutional Neural Network (kısaca CNN , ConvNet) ya da çevrilmiş adıyla evrişimsel sinir ağının, görüntüyü işleme becerisiyle adeta uzman bir doktor gibi cilt kanseri tanısı koyabilmesini inceleyeceğiz. CNN, derin öğrenme (deep learning) sınıfının alt kümesi olan yapay sinir ağlarına ait bir modeldir. O nedenle incelemeye yapay sinir ağlarından başlamak daha doğru olacaktır.

SİNİR HÜCRESİNDEN, DİJİTAL MODELE

Yapay sinir ağları biyolojik sistemlerin öğrenme, bilgi işleme yöntemlerinden esinlenerek oluşturulmuş derin öğrenme modelleridirler. Yani nöronların sinaptik bağlantıları incelenmiş ve dijital olarak bir modele aktarılmıştır. Toparlayacak olursak, yapay sinir ağları tıpkı canlı beyni gibi davranmak amacıyla birbiriyle uyum içerisinde çalışması gereken bilgi işleme merkezlerinden yani yapay nöronlardan oluşmuş modellerdir.

Nöronların işleyiş prensibini “al-işle-aktar” olarak özetleyebiliriz. Yapay sinir ağlarının nöron ağlarının dijital bir modeli olduğundan bahsettik. İşte şimdi sırada bu dijital modellemenin temeli olan yapay nöronların matematiksel anlatımı var.

BİR FONKSİYON OLARAK NÖRON

Yukarıda gördüğümüz formül, yapay sinir ağları modelinin en küçük öğrenme birimi olan “perceptron(nörona karşılık gelen yapı) yapısına aittir. Dikkat ettiyseniz eğer, tanımlanan fonksiyon “y= ax+b” gösterimiyle tanımlanan lineer bir fonksiyondur. “x” sisteme girilen girdi veya veriyi, “w” ağırlık parametresini yani girilen bilginin fonksiyona etkisini belirtir; “b” ise “x.w” çarpımının etki edemeyeceği şekilde lineer fonksiyonu öteleme görevine sahip bias değerini (y=ax+b lineer fonksiyonunda b fonksiyonu öteleme yeteneğine sahiptir) ve “y” çıktıyı temsil etmektedir. Bu gösterimde yer alan ağırlık parametresi(w) ve bias değeri (b) elde ettiğimiz çıktının (y) istediğimiz sonuca daha yaklaşmasını yani mükemmel olmasını sağlar. Derin öğrenme modellerinde amaç, hedeflenen sonuca en yakın çıktıyı verecek ağırlık parametresini ve bias değerini hesaplayabilmektir.

  Yapay sinir ağları yapılarını incelerken karşımıza “gizli katman” tanımı çıkar. Bu, derin öğrenme modelindeki girdi ve çıktı seviyeleri arasında bulunan, dış dünyayla doğrudan bağı bulunmayan ve asıl hesaplamaları gerçekleştiren bölümdür. Gizli denmesinin sebebi de doğrudan etki altında kalmamasından kaynaklanır. Bir sinir ağı birden fazla gizli katmana sahip olabilir. Bu katmanların birden fazla sayıda olmasıyla “derinlik” kavramı ortaya çıkmıştır.

Şu ana kadar geldiğimiz yere kadar yapay sinir ağları modellerini genel olarak ele aldık. Şimdiyse başta da bahsettiğimiz cilt kanseri tanısı koyma işlemini gerçekleştiren modele göz atalım.

BAŞ ROL OYUNCUSU : CNN (EVRİŞİMSEL SİNİR AĞI)

Tekrar tanım yapacak olursak eğer ; CNN yani evrişimli sinir ağları derin öğrenme sınıfının alt kümesi olan “yapay sinir ağları” modellerinden birisidir. Günlük hayatta pek sık duymadığımız  “evrişim” kelimesi yapay zeka modelinin kullanmış olduğu matematik işleminden geliyor. Konvolüsyon yani evrişim, bir doğrusal (lineer) işlem çeşididir. Bu sinir ağı modeli görüntü, video gibi görsel verileri tanıma , sınıflandırma, analiz etme gibi alanlarda kullanılır. Örneğin, sosyal medyada veya mobil cihazınızdaki galeri bölümünde fotoğraflardaki yüzleri tanıyıp, kişi etiketleme yapabilmenizi sağlayan teknoloji bu bahsettiğimiz CNN modelidir. CNN sınıflandırıp etiketleme işlemini çok sayıda ve farklı görevlere sahip olan katmanları sayesinde gerçekleştirir. Ama bu katmanların neler olduğundan kısaca bahsetmeden önce, bu sınıflandırma işinin nasıl gerçekleştiğini anlamaya çalışalım.

      Şimdi zihninizde bir fili canlandırın. Büyük ihtimalle aklınıza gelen ilk şeyler hortum şeklinde bir burun, büyük kulaklar veya gri renk gibi filin karakteristik özellikleridir. İşte bu düşünme şeklini CNN de kullanıyor. CNN ona verilen görüntüleri birbirinden ayırmak için  görüntülerin sahip olduğu karakteristik , “ yani onları onlar yapan” özellikleri kullanır. Bunu yaparken de önce kenar, çizgi, eğri ve dış hatlar gibi alt özellikleri belirler.

CNN MODELİNİN KATMANLARI

 CNN çeşitli katmanlarda görüntüyü işleyerek bu işlemi gerçekleştirir dedik. Şimdi kısaca bu katmanlara göz atalım:

  • Convolutional Layer — Filtreler kullanarak görsel bilgideki düşük ve yüksek nitelikteki özellikleri saptar.
  • Non-Linearity Layer — Sisteme doğrusal olmayanlığın (non-linearity) tanıtılmasını sağlar.
  • Pooling (Downsampling) Layer — Ağırlık sayısını azaltır ve uygunluğu kontrol eder. Sinir ağının doğru karar vermesini sağlamaya yardımcı olur.
  • Flattening Layer — Önceki katmanlardan gelen matrixleri tek boyutlu diziye çevirir. Klasik Sinir Ağı için verileri hazırlar.
  • Fully-Connected Layer — Sınıflamada kullanılan Standart Sinir Ağı, yani sinir ağı metoduyla öğrenmeyi gerçekleştirir

PEKİ ,YAPAY ZEKA DOKTOR KADAR BAŞARILI OLABİLİR Mİ?

      Stanford Üniversitesi araştırmacıları, CNN modelini kullanarak cilt lezyonlarının otomatik olarak tanı koymada başarısını ölçtükleri  bir araştırma yayınladılar. Çalışma, araştırmacıların girdi olarak pikselleri ve hastalık etiketlerini kullanarak; büyük bir veri kümesi oluşturmasıyla başlıyor. Veri kümesi görsel ve klinik benzerliğine göre düzenlenmiş olan 2.032 farklı hastalıktan oluşan 129.450 klinik görüntüden oluşuyor. CNN , girdi olarak pikselleri ve hastalık etiketlerini kullanarak, veri kümesindeki görsellerle uçtan uca eğitiliyor. Beklentiyse CNN’in, görüntüyü alması ve malignite yani kanser olasılığını yüzde olarak (%) analiz etmesiydi. Doğru sınıflandırmayı sağlamak için araştırmacılar kötü huylu kitlenin ve iyi huylu kitlenin özelliklerini içeren 757 klinik sınıfı oluşturup, bunu CNN’e tanıtıyorlar. Örneğin, kötü huylu sınıflar şunları içerir: amelanotik melanom ,lentigo melanom , akral-lentijinöz melanom vb. ayrıca iyi huylu sınıflar da şunlardan oluşur: mavi nevüs , halo nevüs , moğol noktası vb.

     CNN’in beslendiği veri kümesini ve doğruluğu arttırmak amacıyla yapılan diğer ayarlamaları kısaca görmüş olduk. Şimdiyse CNN’in çalışma örneğinin sonucuna bakacağız.

CNN bir cilt lezyonu görüntüsünü her klinik sınıfa göre değerlendirirken %92 malign yani kötü huylu melanositik lezyon ve % 8 iyi huylu melanositik lezyon çıktısını vermiştir. Buna göre tıbbi görüntü analizinde CNN’leri kullanarak yüksek bir doğruluk ve hassasiyet oranı elde edilebiliriz.

CNN MODELİNİN VE DOKTORLARIN KARŞILAŞTIRILMASI

Şimdiyse can alıcı kısma geliyoruz.Bu kadar yüksek doğruluk ve özgüllük hassasiyetine sahip bir teknoloji yılların tecrübesine sahip bir doktora yetişebilir mi?Bu sorunun cevabını öğrenmek için araştırmacılar önce iki adet klinik görev sınıfı oluşturmuşlardır. Bir sınıfta en sık görülen cilt kanseri türleri olan malign karsinomların ve benign seboreik keratozların; diğer sınıftaysa en ölümcül cilt kanserlerinden olan nevusların ve kötü huylu melanomların görselleri vardır. Devamında ise biyopsi işlemi ile sonuçları kesinleşmiş olan klinik görüntüleri veri olarak alan CNN ile belirlenen iki klinik görev sınıfını analiz etmek üzere 21 tane ve her biri kurul sertifikası sahibi olan dermatologlar karşı karşıya gelmiştir.

Aşağıdaki ilk üç (a) duyarlılık-özgüllük grafikleri bu görevin sonuçlarını bizlere gösteriyor.

Εικόνα

Grafiklerde bulunan kırmızı noktalar her bir dermatoloğun yapmış olduğu tahminin doğruluk oranını, yeşil noktalarsa dermatolog cevaplarının ortalamasını ve mavi eğriyse CNN’in performansını göstermektedir. Eğer ki dermatoloğun duyarlılık-özgüllük noktası mavi eğrinin altında ise CNN, bir dermatoloğa göre daha üstün performans göstermiş olur. Eğer grafikleri incelersek CNN’in neredeyse tüm grafiklerde üstün bir performans gösterdiğini görürüz. Yani CNN, uzman dermatolog seviyesinde-hatta neredeyse yüksek doğruluk payıyla-cilt kanseri tanısı koyabilmektedir.

Son üç (b) grafiğe bakarsak eğer, yapay zekayı daha büyük bir veri kümesi kullanarak test ettiğimizde görüyoruz ki veri kümesi her büyüdüğünde mavi eğri daha da pürüzsüz hale gelmekte. Yani kanser teşhisi koyma başarısının veri sayısının artışına bağlı olarak arttığını söyleyebiliriz.    

TEKNOLOJİYE ERİŞİMİ KOLAYLAŞTIRMAK

Ayrıca Stanford Üniversitesi araştırmacıları, cilt lezyonu sınıflandırması için geliştirmiş oldukları CNN tabanlı yazılımı mobil cihaza getirmenin, hastalara hayati tanı açısından düşük maliyetli ve evrensel olarak erişim sağlamada yardımcı olabileceğini düşünmekteler. Bu çalışma,  küresel bir sağlık sorunu olan cilt kanserini erkenden fark ederek yüksek ölüm oranını düşürmeye yardımcı olabilir.

Skin Cancer Screening: Tests, Recommendations, Self-Exams

Yapay zeka gerçekten de hayatlarımızın ayrılmaz bir bütünü. Hatta görüyoruz ki geliştirilen yapay zeka modellerinin sağlık alanına entegrasyonu gerçekten de heyecan ve umut verici. Hatta belki de bu yazı yayınlanmadan ya da tarafınızca okunurken yeni gelişmeler var olan teknolojileri daha da geliştirmektedir. Gelecek gerçekten de heyecan verici!

Cilt kanseri tanısının nasıl konulduğu hakkında daha detaylı bilgi için: https://skincancer.net/diagnosis/#:~:text=A%20skin%20biopsy%20is%20needed,abnormal%20cells%20that%20indicate%20cancer.

Kaynakça

https://cs.stanford.edu/people/esteva/nature/#! adresinden alındı.

Afshine Amidi, S. A. (2018, Ekim 26). Convolutional Neural Networks cheatsheet. Github: https://github.com/afshinea/stanford-cs-230-deep-learning/blob/master/en/cheatsheet-convolutional-neural-networks.pdf adresinden alındı

Andre Esteva, B. K. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542, 115-118. doi:10.1038/nature21056

Çarkacı, N. (2017, Kasım 1). Derin öğrenme uygulamalarında temel kavramlar : perceptron, skor fonksiyonu ve hata hesaplaması(loss function). Linkedin: https://www.linkedin.com/pulse/derin-%C3%B6%C4%9Frenme-uygulamalar%C4%B1nda-temel-kavramlar-skor-ve-%C3%A7arkac%C4%B1/ adresinden alındı

Çarkacı, N. (2018, Ocak 22). Derin Öğrenme Uygulamalarında En Sık kullanılan Hiper-parametreler. Medium: https://medium.com/deep-learning-turkiye/derin-ogrenme-uygulamalarinda-en-sik-kullanilan-hiper-parametreler-ece8e9125c4 adresinden alındı

Deshpande, A. (2016, Temmuz 20). A Beginner’s Guide To Understanding Convolutional Neural Networks. Github: https://adeshpande3.github.io/A-Beginner%27s-Guide-To-Understanding-Convolutional-Neural-Networks/ adresinden alındı

Ergin, T. (2018, Ekim 2). Convolutional Neural Network (ConvNet yada CNN) nedir, nasıl çalışır? Medium: https://medium.com/@tuncerergin/convolutional-neural-network-convnet-yada-cnn-nedir-nasil-calisir-97a0f5d34cad adresinden alındı

Esen, B. A. (2017, Eylül 9). Yapay Sinir Ağının Ana Öğeleri. https://www.akanesen.com/2017/09/yapay-sinir-agnn-ana-ogeleri.html adresinden alındı

Kızrak, A. (2018, Mayıs 28). DERİNE DAHA DERİNE: Evrişimli Sinir Ağları. Medium: https://medium.com/@ayyucekizrak/deri%CC%87ne-daha-deri%CC%87ne-evri%C5%9Fimli-sinir-a%C4%9Flar%C4%B1-2813a2c8b2a9 adresinden alındı

Kızrak, A. (2018, Nisan 30). ŞU KARA KUTUYU AÇALIM: Yapay Sinir Ağları. Medium: https://medium.com/@ayyucekizrak/%C5%9Fu-kara-kutuyu-a%C3%A7alim-yapay-sinir-a%C4%9Flar%C4%B1-7b65c6a5264a adresinden alındı

Koktysh, L. (2017, Şubat 21). Stanford University suggests using CNNs for automated skin cancer diagnostics. ScienceSoft: https://www.scnsoft.com/blog/cnns-for-automated-skin-cancer-diagnostics adresinden alındı

Long Zhang, H. J. (2020). Optimization of the Convolutional Neural Networks for Automatic Detection of Skin Cancer. Open Medicine, 15, 27-37. https://www.degruyter.com/view/journals/med/15/1/article-p27.xml?language=en adresinden alındı

Görsel-1: https://www.scnsoft.com/blog/cnns-for-automated-skin-cancer-diagnostics

Görsel-2: https://towardsdatascience.com/what-electricity-revolution-tells-us-about-our-future-with-a-i-69eff44295d4

Görsel-3: https://kod5.org/yapay-sinir-aglari-ysa-nedir/

Görsel-4: https://www.vecteezy.com/vector-art/358962-diagram-of-neuron-anatomy

Görsel-5: https://www.linkedin.com/pulse/derin-%C3%B6%C4%9Frenme-uygulamalar%C4%B1nda-temel-kavramlar-skor-ve-%C3%A7arkac%C4%B1/

Görsel-6: https://www.linkedin.com/pulse/intuition-deep-neural-networks-abhishek-parbhakar/

Görsel-7: https://adeshpande3.github.io/A-Beginner%27s-Guide-To-Understanding-Convolutional-Neural-Networks/

Görsel-8: https://wonderlandai.com/2020/06/09/capsule-networks/

Görsel-9: https://www.nature.com/articles/nature21056

Görsel-10: https://www.nature.com/articles/nature21056

Görsel-11: https://oncologynews.com.au/skin-cancer-diagnosis-apps-are-unreliable-and-poorly-regulated-study-shows/

Görsel-12: https://blog.hrps.org/blogpost/Four-Lenses-to-View-AI-and-the-Future-of-Work

Leave a Reply

Your email address will not be published. Required fields are marked *