Kenar Cihazlarda Sürekli Uyum Sağlayan Radyoloji Yapay Zekası: Coreset Geometrisi ve Adaptif Derin Pekiştirmeli Öğrenme

Giriş

Tıbbi görüntüleme sistemlerinin kenarında, yani MRI veya CT cihazlarının kendisinde çalışan yapay zeka modelleri, modern radyoloji pratiğinin en kritik ihtiyaçlarından biri haline geldi. Bulut tabanlı çözümlerin karşılaştığı gecikme (latency), veri mahremiyeti ve bağlantı kesintisi riskleri, analizlerin yerel olarak gerçekleştirilmesini zorunlu kılıyor. Ancak derin pekiştirmeli öğrenme (Deep Reinforcement Learning, DRL) modellerinin eğitimi ve dağıtımı genellikle yüksek performanslı GPU'lar gerektirdiğinden, bu kaynak kısıtlı ortamlarda sürekli öğrenme (lifelong learning) büyük bir mühendislik problemi oluşturuyor. "A framework for dynamically training and adapting deep reinforcement learning models to different, low-compute, and continuously changing radiology deployment environments" başlıklı çalışma, bu problemi deneyim tekrarı (experience replay) mekanizmasının geometrik bir kapsama problemi olarak yeniden formüle ederek çözüyor. Çalışma, anatomik landmark lokalizasyonu görevinde, 27 kat sıkıştırma oranına ulaşan üç farklı coreset algoritması sunuyor ve maksimum entropi (maximum entropy) temelli yaklaşımın standart yaşam boyu öğrenme çerçevelerine göre hatayı 19.24 mm'den 11.97 mm'ye düşürdüğünü gösteriyor.

Ana Analiz: Coreset Yöntemleri ve Bilgi Geometrisi

Derin pekiştirmeli öğrenmede deneyim tekrarı, ajanın geçmiş etkileşimlerini bir arabellekte (buffer) saklayıp rastgele örneklemelerle politika gradyanlarını (policy gradients) hesaplama tekniğidir. Standart uygulamalarda bu arabellek zamanla büyür ve eski deneyimlerin üzerine yazılır (overwrite). Ancak sürekli değişen radyoloji ortamlarında, farklı tarayıcı üreticileri, manyetik alan güçleri veya hasta popülasyonlarından gelen görüntüler modelin karar alma uzayını sürekli genişletir. Burada karşılaşılan temel zorluk, katastrofik unutma (catastrophic forgetting) olgusudur: model yeni hastaneden gelen verilere adapte olurken, önceki hastanedeki anatomik varyasyonları unutur.

Söz konusu çalışma, bu problemi coreset (temel küme) kavramıyla ele alıyor. Coreset, büyük veri setinin istatistiksel ve geometrik özelliklerini koruyan, ancak boyutça çok daha küçük bir alt kümesidir. Çalışmada üç farklı coreset stratejisi karşılaştırılıyor:

Neighborhood averaging coreset: Uzamsal komşulukları ortalama alarak gürültüyü azaltan, düzgün örneklemeye odaklanan yöntem
Neighborhood sensitivity-based sampling: Gradyan duyarlılığına (sensitivity) göre seçim yapan, politika güncellemelerine en çok katkı sağlayacak örnekleri koruyan yaklaşım
Maximum entropy coreset: Gizli uzayda (latent space) çeşitlilik maksimize edilerek seçilen örneklerin veri manifoldunun sınırlarını temsil etmesini sağlayan geometrik yöntem

27 kat sıkıştırma oranı, pratikte 10.000 görüntülük bir replay buffer'ın sadece 370 görüntüyle temsil edilebileceği anlamına geliyor. Bu oran, model boyutu küçültme (model compression) tekniklerinden (quantization, pruning) çok daha agresif bir veri seviyesi optimizasyonu sunuyor.

Performans ve Klinik Bağlam: DIXON MRI ve Anatomik Lokalizasyon

Çalışmanın deneysel tasarımı, tam vücut DIXON su ve DIXON yağ MRI görüntülerinde sol diz, sağ trokanter, sol böbrek, dalak ve akciğer olmak üzere beş anatomik landmark'ın lokalizasyonu üzerine odaklanıyor. DIXON sekansları, su ve yağ dokularının ayrı ayrı görüntülenmesini sağlayan özel MRI protokolleridir ve obezite metabolizması araştırmalarında sıkça kullanılır. Bu protokollerin farklı alan güçlerinde (1.5T ve 3T gibi) ve farklı cihaz üreticilerinde farklı görünümler sunması, "sürekli değişen ortam" senaryosunu doğal olarak simüle eder.

Sonuçlar, maksimum entropi coreset'in 11.97 ± 12.02 mm ortalama uzaklık hatasıyla en iyi performansı gösterdiğini ortaya koyuyor. Geleneksel yaşam boyu öğrenme çerçevesinin 19.24 ± 50.77 mm hatasıyla karşılaştırıldığında, sadece ortalama hata değil, standart sapmadaki dramatik düşüş (50.77'den 12.02'ye) dikkat çekicidir. Bu durum, maksimum entropi seçiminin politika gradyanlarının varyansını azaltarak öğrenme istikrarını nasıl artırdığını gösterir. Yüksek varyanslı hata dağılımı, standart replay buffer'ın içerdiği tekrarlayıcı, korelasyonlu örneklerin politika güncellemelerini kararsızlaştırdığının kanıtıdır.

Kendi Yorumum ve Özgün Çıkarımlar

Bu çalışmanın temel katkısı, hesaplama verimliliği sağlamanın ötesinde, tıbbi görüntülemede deneyim tekrarının doğasına dair epistemolojik bir düzeltme sunmasıdır. Standart yaklaşım, replay buffer'ı bir "depolama sorunu" olarak görür; depolama alanı sınırlı olduğunda rastgele atama veya FIFO (ilk giren ilk çıkar) politikaları uygulanır. Oysa bu çalışma, replay buffer'ı bir "geometrik kapsama problemi" olarak ele alır: veri manifoldunu en iyi temsil eden minimal alt küme hangisidir?

Maksimum entropi coreset'in üstünlüğü, burada yatmaktadır. Zaman boyutunda ardışık (temporal) örnekleme yerine, gizli uzayda çeşitlilik (diversity) arayan bu yaklaşım, MRI görüntülerindeki kesitsel (slice) tekrarları ortadan kaldırır. Abdominal bir MRI incelemesi 200 kesitten oluşabilir ve bu kesitlerin çoğu anatomik olarak neredeyse özdeştir. Bu kesitlerin tamamını replay buffer'a atmak, politika gradyanları için gürültüden ibaret bir veri yığını oluşturur. Maksimum entropi seçimi, bu manifoldun sadece köşe noktalarını, yani anatomik varyasyonların uç örneklerini korur. Bu durum, "standart veri setlerinin ne kadarı aslında gradyan gürültüsüdür?" sorusunu gündeme getirir. Eğer 27 kat sıkıştırılmış bir alt küme, tam veri setinden daha iyi genelleme yapıyorsa, mevcut tıbbi görüntüleme veri setlerindeki bilgi teorik verimsizlik oldukça yüksektir.

Kenar cihaz dağıtımı için çıkarılacak ders açıktır: model boyutunu küçültmek (distillation veya pruning ile) kadar, eğitim dağılımını agresif bir şekilde küratörlüğünü yapmak (training distribution curation) kritiktir. Sürekli öğrenme senaryolarında, hastane A'daki verilerle eğitilen model, hastane B'deki farklı bir tarayıcıya adapte olurken, coreset aracılığıyla hastane A'nın veri manifoldunun "konveks zarfını" (convex hull) korur. Bu, katastrofik unutmanın önlenmesinde veri tekrarının (replay) niceliğinden çok niteliğinin belirleyici olduğunu gösterir.

Ayrıca, bu yaklaşımın radyol