Araştırmacılar, Segment Anything Model 3 (SAM3) yapay zekası sisteminin patoloji görüntülerini analiz etme yeteneğini kapsamlı olarak değerlendirdi. SAM3, metin komutlarıyla görüntülerdeki farklı yapıları otomatik olarak tespit edebilen yenilikçi bir AI modeli. Çalışmada, modelin hücre çekirdeği ve doku seviyesindeki yapıları ne kadar iyi tanımlayabildiği test edildi. Sonuçlar, SAM3'ün sadece metin komutlarıyla hücre yapılarını tanımlamakta zorlandığını, ancak görsel ipuçlarıyla birlikte kullanıldığında daha başarılı olduğunu gösterdi. Bu araştırma, AI destekli tıbbi görüntü analizinin geleceği açısından önemli bulgular sunuyor ve teknolojinin mevcut sınırlarını ortaya koyuyor.

Dijital patolojide en büyük sorunlardan biri, farklı boyama tekniklerinin yapay zeka modellerinin performansını düşürmesidir. Araştırmacılar, bu sorunu çözmek için DSA-CycleGAN adında yeni bir yapay zeka sistemi geliştirdi. Bu teknoloji, böbrek hastalıklarının teşhisinde kritik olan glomerül yapılarının segmentasyonunda devrim yaratabilir. Geleneksel yöntemlerde her boyama tekniği için ayrı ayrı etiketleme yapmak pahalı ve zaman alıcıydı. Yeni sistem, tek bir boyama tekniğinden öğrendiği bilgileri diğer boyama tekniklerine başarıyla aktarabiliyor.

Görme ve dil işlemede büyük başarılar elde eden temel yapay zeka modelleri, patoloji alanında beklenmedik zorluklarla karşılaşıyor. ArXiv'de yayınlanan yeni bir araştırma, bu modellerin düşük doğruluk oranları, kararsızlık ve yoğun hesaplama gereksinimleri sergilediğini ortaya koyuyor. Araştırmacılar, sorunun sadece model ayarlamasından kaynaklanmadığını, daha derinlerde yatan kavramsal uyumsuzluklardan beslendiğini belirtiyor. Doğal görüntüler için tasarlanmış mevcut yaklaşımların, doku görüntülerinin karmaşık biyolojik yapısını temsil etmekte yetersiz kaldığı vurgulanıyor. Bu durum, patoloji alanı için özel olarak tasarlanmış yeni model mimarilerine duyulan ihtiyacı gündeme getiriyor.

Araştırmacılar, kan tahlili görüntülerini analiz edebilen ilk özel yapay zeka sistemini geliştirdi. PBSBench adlı bu framework, periferik kan yayması görüntülerini yorumlayabilen çok modlu dil modeli içeriyor. Sistem, 353 tam kan yayması görüntüsi ve 29 bin hücre seviyesinde açıklamayla eğitildi. Geleneksel patoloji yapay zekaları katı doku analizi için tasarlandığından kan hücrelerinin bireysel morfolojilerini değerlendirmede yetersiz kalıyordu. Bu yeni sistem, kan hastalıklarının teşhisinde doktorlara destek olabilecek ilk özelleşmiş yapay zeka aracı olma özelliği taşıyor. Hematoloji alanında yapay zeka kullanımının yaygınlaşması, kan hastalıklarının erken teşhisini hızlandırabilir.

Araştırmacılar, retina görüntülerinden tıbbi rapor üreten yeni bir yapay zeka sistemi geliştirdi. DREAM adlı sistem, göz doktorlarının belirlediği klinik anahtar kelimeleri görsel verilerle birleştirerek, sınırlı veri ile bile yüksek doğrulukta tanı raporu üretiyor. İki aşamalı bir füzyon mekanizması kullanan sistem, önce görüntü ve anahtar kelime özelliklerini ortak bir alanda birleştiriyor, ardından adaptif çok modlu füzyon ile her modalitetin önemini dinamik olarak ayarlıyor. Bu yaklaşım, mevcut görme-dil modellerinin medikal alanlarda yaşadığı veri yetersizliği ve aşırı öğrenme sorunlarını çözmeyi hedefliyor. Özellikle kritik ancak belirgin olmayan patolojileri tespit etmede başarılı olan sistem, oftalmoloji alanında tanı doğruluğunu artırarak doktorlara önemli destek sağlayabilir.

Araştırmacılar, patolojik görüntü analizi için geliştirdikleri SSMamba adlı hibrit yapay zeka modeliyle tıp dünyasında önemli bir adım attı. Model, kanser teşhisi için kritik olan mikroskobik doku görüntülerini analiz ederken, geleneksel Vision Transformer yaklaşımlarının üç temel sorununun üstesinden geliyor. SSMamba, farklı büyütme oranları arasındaki uyum sorunlarını çözüyor, lokal-global ilişki modellemesini iyileştiriyor ve en önemlisi ince tanısal ipuçlarını yakalama konusunda çok daha hassas davranıyor. Bu gelişme, patoloji uzmanlarının hastalık teşhislerinde daha doğru ve hızlı sonuçlar almasını sağlayabilir.

Araştırmacılar, kanser tanısında kullanılan bütün slayt görüntü analizi için yeni bir yapay zeka mimarisi geliştirdi. MambaBack adlı bu sistem, hem yerel hücresel yapıları hem de global bağlamları etkili şekilde modelleyerek mevcut yöntemlerin üç temel sorununu çözüyor. Patoloji alanında kullanılan Multiple Instance Learning yaklaşımının geliştirilmiş hali olan bu teknoloji, 2D uzamsal yerelliği korurken ince taneli hücresel yapıları daha iyi analiz edebiliyor. Ayrıca kaynak kısıtlı cihazlarda bile düşük bellek kullanımıyla çalışabilen sistem, kanser teşhisinin hızlanmasına ve daha erişilebilir hale gelmesine katkı sağlayabilir.

Araştırmacılar, patoloji görüntülerinde hastalıklı dokuları tespit etmek için yeni bir yapay zeka yöntemi geliştirdi. SegMix adı verilen bu teknik, geleneksel yöntemlerin aksine her pikseli tek tek etiketleme gerektirmeden çalışabiliyor. Mevcut Class Activation Map (CAM) yöntemleri patoloji görüntülerinde yalnızca küçük alanları tanımlayabilirken, SegMix karıştırma temelli geri bildirim öğrenme ile daha geniş ve doğru hastalık alanlarını belirleyebiliyor. Bu gelişme, deneyimli patologların yoğun çalışmasını gerektiren veri hazırlama sürecini kolaylaştırarak, kanser teşhisi gibi kritik alanlarda yapay zekanın daha yaygın kullanımına olanak sağlayabilir. Yöntem, müfredat öğrenme ilkelerinden ilham alarak, görüntü düzeyindeki sınıflandırma etiketlerini kullanarak piksel düzeyinde segmentasyon gerçekleştiriyor.

Araştırmacılar, meme kanseri patoloji raporlarını otomatik olarak analiz edebilen yeni bir yapay zeka sistemi geliştirdi. Llama-3 tabanlı bu sistem, 10.677 uzman onaylı rapor üzerinde eğitildi ve kanser evrelemesi ile biyobelirteç bilgilerini %97.6 doğrulukla çıkarabildi. Geleneksel yöntemlerin zorlandığı karmaşık tıbbi terminoloji ve farklı rapor formatlarını başarıyla çözen sistem, düşük hesaplama maliyetiyle çalışıyor. LoRA tekniği kullanılarak optimize edilen model, hastane kayıtlarının büyük ölçekli analizini mümkün kılacak. Bu gelişme, kanser tedavisinde hızlı ve standart veri işleme imkanı sunuyor.