Akıllı telefonlar, yapay zekâ sayesinde katarakt taramasında taşınabilir bir sağlık aracına dönüşebilir. Android için geliştirilen yeni bir uygulama, göz görüntülerini doğrudan telefonda analiz ederek nükleer kataraktı tespit edebiliyor ve hastalığın ilerleme seviyesini sınıflandırabiliyor. Derin öğrenme modellerinin mobil cihazlarda çalışacak şekilde optimize edildiği sistem, testlerde yüzde 91’in üzerinde doğruluk değerlerine ulaştı.
Katarakt, gözün doğal merceğinin bulanıklaşmasıyla ortaya çıkar ve görme keskinliğinin zamanla azalmasına yol açar. Geliştirilen Android uygulaması, özellikle göz merceğinin merkezinde oluşan nükleer kataraktın tespiti ve derecelendirilmesi için hazırlandı. Sistem, yalnızca katarakt olup olmadığını kontrol etmekle kalmıyor, aynı zamanda tespit edilen hastalığın şiddetini de sınıflandırıyor.
Uygulamanın temelinde birden fazla aşamadan oluşan yapay zekâ sistemi bulunuyor. Kullanıcı bir göz görüntüsü seçtiğinde veya telefonun kamerasıyla görüntü aldığında, fotoğraf ön işleme aşamasından geçiriliyor. İlk aşamada, görüntünün katarakt içerip içermediğini belirleyen ikili bir sınıflandırma gerçekleştiriliyor. Katarakt tespit edildiğinde, görüntü ikinci bir derin sinir ağı tarafından daha ayrıntılı inceleniyor.
İkinci aşamada, nükleer katarakt, oftalmolojide kullanılan Lens Opacities Classification System III (LOCS III) standardına göre altı farklı dereceye ayrılıyor. Böylece uygulama, yalnızca pozitif veya negatif sonuç vermekle kalmayıp, göz merceğindeki bulanıklığın hangi aşamada olduğunu da belirleyebiliyor.
Yapay zekânın eğitimi ve değerlendirilmesinde Nuclear Cataract Database for Biomedical and Machine Learning Applications veri tabanındaki gerçek göz görüntüleri kullanıldı. Veri setindeki görüntüler daha önce uzmanlar tarafından LOCS III sistemine göre derecelendirilmiş durumda. Çalışmada görüntü kalitesi yetersiz, odak dışı veya patolojik bölgenin yeterince görünmediği örnekler, göz hastalıkları uzmanı tarafından elendi.
Araştırmacılar, tek bir yapay zekâ mimarisiyle yetinmedi. VGG16 ve ResNet50 gibi daha büyük sinir ağlarının yanında VGG11, ResNet18, MobileNetV2 ve EfficientNet-B0 gibi mobil donanıma daha uygun modeller de test edildi. Modellerin sınıflandırma doğrulukları yüzde 91 ile yüzde 94,5’in üzerine çıktı.
Mobil cihazlarda işlem gücü ve bellek kapasitesi masaüstü sistemlerden daha sınırlı olduğu için eğitilen modeller telefonlarda çalışacak şekilde dönüştürüldü. PyTorch ile hazırlanan modeller önce ONNX formatına, ardından TensorFlow’a ve son olarak mobil cihazlarda yerel yapay zekâ çalıştırmak için kullanılan TensorFlow Lite formatına çevrildi.
Android uygulaması Kotlin kullanılarak Android Studio üzerinde geliştirildi. Yapay zekâ işlemleri doğrudan telefonda gerçekleştirilebildiği için analiz için güçlü bir masaüstü bilgisayara veya bulut tabanlı sunucuya ihtiyaç duyulmuyor. Modern akıllı telefonların işlem gücü, kullanılan sadeleştirilmiş sinir ağı modellerini çalıştırmak için yeterli seviyede. Mobil kullanıma geçiş sırasında yapılan optimizasyonların sınıflandırma kalitesinde ciddi bir düşüş oluşturmadığı da testlerde görüldü.
Uygulama, telefon kamerasıyla yeni bir görüntü çekebildiği gibi cihazın depolama alanındaki mevcut göz fotoğraflarını da analiz edebiliyor. Ancak araştırmada yapay zekânın eğitiminde ve doğrulanmasında kullanılan görüntüler, standart telefon fotoğraflarından değil, yarık lamba ile çekilmiş ve uzmanlar tarafından etiketlenmiş klinik görüntülerden oluşuyor. Bu nedenle mevcut çalışma, sıradan bir selfie veya gelişigüzel çekilmiş göz fotoğrafıyla kesin katarakt teşhisi konulabildiği anlamına gelmiyor.
Araştırmacılar, sistemi bir doktorun yerini alacak teşhis aracı olarak konumlandırmıyor. Yapay zekâ, tarama ve ikinci görüş amacıyla kullanılabilecek bir yardımcı sistem olarak değerlendiriliyor ve nihai teşhis kararı yine göz doktoruna bırakılıyor. Sistemin daha geniş hasta gruplarında ve farklı katarakt türlerinde kullanılabilmesi için daha fazla eğitim verisine ihtiyaç bulunuyor.
Uygulamanın kaynak kodları da açık olarak yayımlandı. Android uygulamasıyla birlikte kullanılan yapay zekâ modeli, görüntü işleme adımları ve değerlendirmede kullanılan dosyalar GitHub üzerinden erişilebilir durumda. Böylece proje, farklı veri kümeleri ve diğer katarakt türleri için geliştirilmeye devam edilebiliyor.
1996 yılında Üsküdar’da doğan Mert Can Aka, sinema, bilim, teknoloji ve tarih alanlarına duyduğu ilgiyle şekillenen kariyerinde teknoloji editörlüğüne odaklandı. Öğrenmeyi ve bilgiyi aktarmayı merkeze alan Aka, farklı kurumlarda çeşitli görevler üstlendi. Bu süreçte MediaMarkt’ın MediaTrend Teknolojik Yaşam dergisini son sayısına kadar yöneterek dergicilik tarafında da deneyim kazandı. Bilgisayar Mühendisliği, Bilgisayar Programcılığı, Web Tasarım ve Kodlama ile birlikte Adalet ve İktisat alanlarında akademik geçmişe sahip olan Aka, bugün Technopat’ta Yazı İşleri Müdürü olarak görev yapıyor. Otomotivden yapay zekaya, donanımdan ev teknolojilerine uzanan geniş bir yelpazede ürettiği on bini aşkın içerik yüz milyonlarca okura ulaştı.
