LLM Destekli Yöntemle Diyabetik Retinopati Tanısında Yeni Dönem
LLM Destekli Yöntemle Diyabetik Retinopati Tanısında Yeni Dönem
Yeni geliştirilen HAPM yaklaşımı, diyabetik retinopati teşhisinde hassasiyet ve doğruluğu artırmak için yapay zeka destekli semantik analiz kullanıyor.
Önemli Noktalar
- HAPM çerçevesi, diyabetik retinopati tanısında ince patolojik detayları daha iyi ayırt edebiliyor.
- Yöntem, sekiz farklı kamuya açık veri setinde mevcut yöntemleri geride bıraktı.
- Kod ve uygulama detaylarına buradan ulaşılabiliyor.
Çalışmanın Amacı ve Yenilikleri
Diyabetik retinopati (DR) derecelendirmesi, hastalığın erken teşhisi ve görme kaybının önlenmesinde kritik öneme sahip. Son yıllarda yapılan araştırmalar genellikle görsel lezyon özelliklerinin çıkarılmasına ve alan ayrıştırma stratejilerine odaklanıyor. Ancak bu yaklaşımlar, alanlar arası değişmeyen patolojik kalıpları genellikle göz ardı ediyor ve temel yapay zeka modellerinin zengin bağlamsal bilgisinden yeterince yararlanmıyor.
Bu eksiklikleri gidermek için araştırmacılar, ince patolojik açıklamaları prototiplere ek bağlam sağlayacak şekilde entegre eden yeni bir yaklaşım geliştirdi. Böylece, sınırda kalan vakalardaki belirsizliklerin giderilmesi hedefleniyor.
Teknik Detaylar
HAPM (Hiyerarşik Çapa Prototip Modülasyonu) Çerçevesi
Önerilen HAPM yöntemi, diyabetik retinopati derecelendirmesini kolaylaştırmak için üç temel aşamadan oluşuyor:
- Varyans Spektrumu Tabanlı Prototip Kütüphanesi: Alanlar arası değişmeyen patolojik kalıpları koruyan bir prototip kütüphanesi oluşturuluyor.
- Hiyerarşik Farklılaştırılmış İpucu Geçidi: LVLM ve LLM kaynaklarından ayrımcı semantik ipuçları dinamik olarak seçilerek, komşu DR dereceleri arasındaki semantik karışıklık gideriliyor.
- İki Aşamalı Prototip Modülasyonu: Klinik bilgi, görsel prototiplere kademeli olarak entegre ediliyor. Bu süreçte Patolojik Semantik Enjektörü (PSI) ve Ayrımcı Prototip Güçlendirici (DPE) kullanılıyor.
Deneysel Sonuçlar
HAPM yaklaşımı, sekiz farklı kamuya açık veri seti üzerinde yapılan kapsamlı deneylerde, mevcut en iyi yöntemlere kıyasla daha yüksek doğruluk ve patoloji odaklı prototip gelişimi sağladı.
Araştırmanın kodlarına ve detaylarına github.com/zhcz328/HAPM adresinden ulaşabilirsiniz.
Kaynak
arXiv:2511.22033v1, “Pathology-Aware Prototype Evolution via LLM-Driven Semantic Disambiguation for Multicenter Diabetic Retinopathy Diagnosis”
Kaynak: arxiv.org