Tıbbi Görüntülemede Yapısal Tutarlılık: ARIADNE ve Betti Sayıları ile Tercih Tabanlı Öğrenme

Giriş

Koroner arter hastalığı (Coronary Artery Disease, CAD) küresel sağlık yükünü belirleyen en kritik kardiyovasküler patolojilerden biri olmaya devam ediyor. İnvaziv X-Ray Koroner Anjiyografi (XCA) hem tanı hem de Perkütan Koroner İntervansiyonlar (PCI) için altın standart görüntüleme yöntemi olarak klinik pratiğin merkezinde yer alıyor. Ancak mevcut klinik iş akışları büyük ölçüde manuel yorumlamaya dayanıyor ve bu durum gözlemciler arası yüksek değişkenlik ile klinisyen yorgunluğuna bağlı hata risklerini beraberinde getiriyor.

Son on yılda Convolutional Neural Networks (CNNs) ve özellikle U-Net mimarileri ile bunların attention mekanizmalarıyla güçlendirilmiş varyantları (CS-Net, SA-UNet gibi) damar segmentasyonunda baskın yaklaşımlar haline geldi. Daha yakın zamanda Vision Transformers (ViTs) global uzamsal ilişkileri yakalama kapasitesi ile bu alana dahil oldu. Ancak bu modeller kritik bir sınırlılıkla karşı karşıya: geleneksel pixel-wise kayıp fonksiyonları (Cross-Entropy, Dice Loss gibi) yüksek piksel düzeyinde doğruluk sağlarken topolojik bağlantıları koruyamıyor. Sonuç olarak, yüksek Dice skorlarına rağmen damar ağacı parçalanmış, distal dallarda kopukluklar oluşan segmentasyonlar üretiliyor. Koroner hemodinamik analiz için topolojik süreklilik esastır; bir segmentasyon yüksek Dice skoruna sahip olsa bile, merkez çizgi (centerline) çıkarımını engelleyen süreksizlikler klinik olarak kullanılamaz hale gelir.

Son dönemde ortaya çıkan foundation-scale Vision-Language Models (VLMs) ise metin tabanlı istemlerle (prompt-based) segmentasyon imkanı sunuyor. SAM ve MedSAM gibi modeller görsel dilsel karşılıkları öğrenerek damar gibi yapıları kavrayabiliyor. Ancak bu modellerin genel doğal görüntü veri kümeleri üzerinde eğitilmesi, semantik kavrayış ile topolojik bütünlük arasında temel bir uçurum yaratıyor. VLMLer damarın kavramsal kategorisini doğru sınıflandırabilirken, düşük kontrastlı projeksiyon tabanlı X-ray anjiyografide yapısal sürekliliği sağlayacak domain-specific anatomik ön bilgilerden yoksun kalıyor. Bu bağlamda ARIADNE: A Perception-Reasoning Synergy Framework for Trustworthy Coronary Angiography Analysis başlıklı çalışma, topolojik kısıtlamaları preference-based learning ile bütünleştirerek bu soruna kökten bir çözüm öneriyor.

Algılama ve Çıkarımın Bütünleşimi: DPO ile Topolojik Hizalama

ARIADNE çerçevesi iki temel modülden oluşuyor: perception (algılama) ve reasoning (çıkarım). Perception modülü, Sa2VA vision-language foundation modelini Direct Preference Optimization (DPO) kullanarak fine-tuning işleminden geçiriyor. DPO, Reinforcement Learning from Human Feedback (RLHF) yöntemlerine kıyasla daha verimli bir hizalama yaklaşımı olarak öne çıkıyor ve ayrı bir reward modeline ihtiyaç duymadan doğrudan tercih çiftleri üzerinden politika optimizasyonu gerçekleştiriyor.

Çalışmanın en dikkat çekici yeniliği, preference signal olarak Betti sayılarının (Betti numbers) kullanılması. Topolojik veri analizinde tanımlanan Betti sayıları, bir yapının bağlantı bileşenlerini ve deliklerini sayan topolojik invariantlardır. ARIADNE'de, topolojik olarak tutarlı damar yapıları (yani Betti sayıları açısından referansla uyumlu segmentasyonlar) "tercih edilen", parçalanmış veya topolojik hatalar içeren yapılar ise "tercih edilmeyen" olarak etiketleniyor. DPO bu tercih sinyallerini kullanarak modeli pixel-wise overlap metrikleri (Dice, IoU) yerine geometrik bütünlük yönünde hizalıyor. Bu, tıbbi görüntülemede yapısal tutarlılığın piksel sadakatine tercih edilmesi anlamına gelen temel bir paradigma değişimini temsil ediyor.

Sa2VA modeli bu şekilde fine-tuning edildiğinde, sadece damar piksellerini doğru sınıflandırmakla kalmıyor, aynı zamanda klinik olarak anlamlı, sürekli bir vasküler ağ oluşturuyor. Bu yaklaşım, differentiable olmayan topolojik kayıp fonksiyonlarını doğrudan optimizasyona sokma zorluğunu aşıyor ve preference learning aracılığıyla dolaylı bir topolojik düzenleme sağlıyor.

Güvenilirliği Önceleyen Paradigma: RL Tabanlı Akıl Yürütme ve Red Mekanizması

Segmentasyon sonrasında stenoz tespiti için ARIADNE, reasoning modülünde stenoz lokalizasyonunu bir Markov Decision Process (MDP) olarak formüle ediyor. Bu modülde reinforcement learning (RL) ajanı, damar ağacını dolaşarak daralma bölgelerini belirliyor. Ancak çalışmanın klinik uygulanabilirlik açısından kritik katkısı, explicit rejection mechanism (açık ret mekanizması) olarak adlandırılan özellik.

Geleneksel geometrik algoritmalar damar kesişimleri (vessel crossings), bifurkasyonlar ve foreshortening gibi anatomik yapıları patolojik stenozdan ayırt edemeyerek yüksek false positive oranlarına yol açıyor. ARIADNE'nin reasoning modülü, belirsiz anatomik adayları (ambiguous anatomical candidates) otomatik olarak reddederek veya erteleyerek coverage maximization (kapsama maksimizasyonu) yerine reliability optimization (güvenilirlik optimizasyonu) stratejisi izliyor. Ajan, emin olamadığı durumlarda "reddetme" aksiyonunu seçerek yanlış pozitif üretmekten kaçınıyor.

Bu yaklaşım, 1.400 klinik anjiyografi üzerinde yapılan değerlendirmelerde geometrik bazlı yöntemlere kıyasla false positive oranını %41 azaltmayı başarıyor. Ayrıca ARCADE ve XCAD gibi multi-center benchmarklarında yapılan external validation ile farklı görüntüleme protokolleri arasında genelleme yeteneği doğrulanıyor. State-of-the-art centerline Dice skoru 0.838 elde edilirken, sistem hem tanısal hassasiyeti koruyor hem de topolojik tutarlılığı sağlıyor.

Klinik Ötesi Etkiler ve Gelecek Yönelimler

ARIADNE'nin sunduğu çerçeve, sadece koroner anjiyografiyi otomatikleştirmekle kalmıyor, tıbbi yapay zeka algoritmalarının tasarım felsefesine dair daha genel çıkarımlar sunuyor. Öncelikle, Betti sayıları gibi topolojik invariantların preference optimization aracılığıyla modellere entegre edilmesi, retinal vasküler ağlar, nöronal yolaklar, pulmoner bronşial ağaçlar veya lenfatik sistem gibi tree-like (ağaç benzeri) yapıların segmentasyonunda yeni bir standart oluşturabilir. Bu tür biyolojik ağlarda bağlantı hataları klinik risk taşıdığından, DPO ile topolojik hizalama yaklaşımının yaygınlaşması muhtemel görünüyor.

İkinci olarak, rejection mechanism kavramı high-stakes diagnostic pipelines (yüksek riskli tanısal süreçler) için bir blueprint sunuyor. Gelecekteki sistemlerin, belirsiz vakalarda tahmin zorlamak yerine otomatik olarak kararları ertelemesi veya uzman incelemesine yönlendirmesi, "bilmiyorum" diyebilen yapay