Derin Öğrenme Modeli Transvajinal Ultrasonla Rahim Adenomisi ve Myomunu Ameliyat Öncesi Ayrımtan Tanıyor

OJİNAL ARAŞTIRMA makalesi

Front. Med., 12 Kasım 2026

Sek. Tıbbi Görüntüleme ve Nükleer Tıp

Hacim 13 – 2026 | https://doi.org/10.3389/fmed.2026.1918669

• PS

  Peilin Sheng 1†

• JW

  Jianmin Wang 2†

• QL

  Qian Lu 3†

• ZZ

  Zicheng Zeng 1

• XL

  Xiaobo Lai 1

• LY

  Liming Yang 3*

• JW

  Jianqing Wang 1*

• 1. Zhejiang Tıbbi Üniversite’si Tıbbi Teknoloji ve Bilgi Mühendisliği Fakültesi, Hangzhou, Çin

• 2. Zhejiang Eyaleti Üreme Bozukluğu Yönetimi Laboratuvarı, Obstetri ve Ginekoloji Bölümü, Sir Run Run Shaw Hastanesi, Zhejiang Tıbbi Üniversite’si Tıp Fakültesi, Hangzhou, Çin

• 3. Sir Run Run Shaw Hastanesi, Zhejiang Tıbbi Üniversite’si Tıp Fakültesi, Tıbbi Ultrasonografi Bölümü, Hangzhou, Çin

Makale metrikleri

Özet

Giriş:

Miyomada adenomiyom ile uterin miyomun ameliyat öncesi ayrımını yapmak için derin öğrenme modelinin geliştirilmesi ve doğrulanması.

Yöntemler:

Bu retrospektif çalışma, Ocak 2020 ile Ocak 2025 arasında 98 hastadan alınan 207 transvajinal ultrasonografik görüntüyü içermektedir; hastalar düzeyinde eğitim seti (68 hastan, 140 görüntü) ve bağımsız test seti (30 hastan, 67 görüntü) olarak ayrılmıştır. Karşılaştırma çerçevesi kurulmuştur: (1) radiomik modeller; (2) standart derin öğrenme modelleri; ve (3) kanal bilinçli özellik modülasyonu modülü ile zenginleştirilen önerilen ResNet-50 modeli. Üç jinekolik ultrasonograf, model performansıyla karşılaştırma için test görüntülerini bağımsız olarak değerlendirmiştir. Model performansı; doğruluk, kesinlik, duyarlılık, özgüllük, F1 skoru ve alıcı işletme karakteristik eğrisi altında kalan alan (AUC) kullanılarak değerlendirilmiştir. Keşif amaçlı açıklanabilirlik analizleri, en iyi performansı gösteren radiomik modeli için SHAP ve önerilen model için Grad-CAM kullanmıştır.

Sonuçlar:

Hasta düzeyindeki test setinde, önerilen model değerlendirilen modeller arasında olumlu sayısal performans gösterdi; doğruluk 0.833, F1 skoru 0.800 ve AUC 0.855 (95% GI: 0.693–0.982) olarak bulundu. En iyi performansı gösteren radiomik model olan Lojistik Regresyon, hasto düzeyinde 0.667 doğruluk ve 0.814 AUC’ye ulaştı (95% GI: 0.630–0.962). Önerilen model, sayısal olarak üç okuyucudan daha yüksek doğruluk gösterdi. SHAP, radiomik özelliklerin katkılarını özetlerken, Grad-CAM model tahminleriyle ilişkili bölge bölgelerini görselleştirdi.

Sonuç:

Önerilen model, transvajinal ultrasonda rahim miyomunu rahim adenominden ayırtmada umut verici iç test performansı gösterdi ve potansiyel bir karar destek yaklaşımı olarak hizmet edebilir; bu da dış ve prospektif doğrulamayı gerektiriyor.

1 Giriş

Rahim adenomları, endometrial bezlerin ve stromanın rahim miyometriumuna ektopik infiltrasyonuyla tanımlanan iyi huylu bir jinekolojik patolojidir (). Bu durum; dismenore, menoraji, pelvik ağrı ve infertilite dahil olmak üzere bir dizi klinik bulguyla sık sık ilişkilendirilir ve hastaların yaşam kalitesini önemli ölçüde bozar. Klinik tablosu, yüksek yaygınlığa sahip başka bir rahim patolojisi olan rahim miyomuna yakından benzer. Her iki durum da menoraji, uzun süren adet, alt karında şişlik paylaşır ve infertilite veya gebelikle ilgili komplikasyonlarla ilişkilendirilebilir; ancak altında yatan patojenez, en uygun yönetim stratejileri ve uzun vadeli prognozlar belirgin biçimde ayrışır (). Miyomlar genellikle cerrahi rezeksiyonla tedavi edilebilir ve iyileştirici potansiyel taşır; oysa rahim adenomlarına yönelik cerrahi daha az etkilidir ve daha yüksek nüks oranlarıyla ilişkilidir, bu da tıbbi yönetimi temel oluşturur (, ). Sonuç olarak, bu yapıların ameliyat öncesi doğru biçimde ayırtılması, uygun tedavinin seçimi, fertilitenin korunması ve gereksiz müdahalelerin önlenmesi açısından kritik önem taşır.

Uterus adenomyoma ve leiomyoma tanısı günümüzde klinik belirtilerin, fizik muayenenin ve tıbbi görüntülemenin bir kombinasyonuna dayanmakta; görüntüleme bulguları klinik kararlarda kritik bir rol oynamaktadır (, ). Manyetik rezonans görüntüleme (MRG) yüksek tanı doğruluğu sunmakta, özellikle adenomyoma durumunda bu önem daha da artmaktadır. Daha yüksek maliyet ve daha uzun inceleme süresi nedeniyle, genellikle ultrason bulgularının kesin olmadığı durumlarda ikinci basamak görüntüleme yöntemi olarak kullanılmaktadır (). Buna karşılık, transvajinal ultrasonografi (TVUS) geniş erişilebilirliği, gerçek zamanlı çalışma özelliği ve maliyet etkinliği nedeniyle uterus patolojilerinin değerlendirilmesinde birinci basamak görüntüleme yöntemi olarak hizmet vermektedir (, ). Ancak uterus adenomyoma ile leiomyoma arasındaki ayrımı yapma doğruluğu doğası gereği öznel olup, operatör deneyimine, ekipman değişkenliğine ve hastalığın heterojen sunumuna güçlü şekilde bağlıdır (–). Bu öznelik, görüntüleme değerlendirmesini standartlaştıran ve tanı güvenini artıran, nicel, tekrarlanabilir ve operatörden bağımsız tanı araçlarına yönelik acil bir klinik ihtiyacı ortaya koymaktadır. Sonografik tanı doğruluğunu artıran bir yapay zeka (YZ) modeli, gereksiz MRG yönlendirmelerini azaltabilir, klinik iş akışını kolaylaştırabilir ve MRG erişiminin sınırlı olduğu ortamlarda karar desteği sağlayabilir.

Yapay zekâdaki ilerlemeler, özellikle derin öğrenme (DL), tıbbi görüntü analizini önemli ölçüde geliştirmiştir. El ile tasarlanmış radyomik özelliklere dayanan geleneksel makine öğrenmesi (ML) yaklaşımları, ham görüntü verisinde bulunan karmaşık hiyerarşik örüntüleri yakalamada sınırlı bir yeteneğe sahip olabilir. Buna karşılık, derin evrimsel sinir ağları (CNN’ler) ayırt edici özellikleri doğrudan görüntülerden öğrenebilir ve bir dizi görüntüleme görevinde güçlü performans sergilemiştir (–). Ancak, küçük örneklemeli tıbbi görüntüleme çalışmalarındaki performansları aşırı uyumlanmaya ve veri değişkenliğine karşı hassastır; bu da aktarımlı öğrenmeyi yaygın bir strateji haline getirmiştir (, ). Ultrason görüntülerinde lezyon sınırları sık sık belirsiz ve iç eko doku heterojen olduğundan, öğrenilen özelliklerin seçiciliğini artırmak özellikle önemlidir. Bu nedenle, dikkat mekanizmaları CNN mimarilerine, bilgilendirici kanal ve uzamsal yanıtları öne çıkarırken alakasız arka plan bölgelerinden gelen paraziti azaltmak amacıyla eklenmiştir (–). Bu durum, ultrason tabanlı ayırt edici tanı için dikkat destekli CNN modelleri geliştirmek için pratik bir temel sağlamaktadır.

Kayna çalışmalar yapay zekâyı rahim hastalıklarının sınıflandırılmasında incelemiş olsa da (, ), rahim adenomiyominin miyomdan TVUS üzerinden ayırt edilmesi gibi belirli ve zorlu görevdeki uygulaması hâlâ yeterince araştırılmamıştır. Mevcut çalışmalar sık sık küçük örneklem boyutları, tek mimari kullanımı ve model yorumlanışına yeterli önem verilmemesinden kaynaklanan sınırlamalarla karşılaşmaktadır. Kritik olan şudur ki, dikkat destekli CNN modellerinin, ince sonografik doku farkları ve belirsiz lezyon sınırları için özellik seçiciliğini artırma potansiyeli, bu tanı muamması için tam olarak incelenmemiştir. Bu açığı kapatmak amacıyla bu çalışma, TVUS üzerinde rahim adenomiyomi ve miyomunun ikili sınıflandırılması için radyomik tabanlı ML modellerini, temel DL modellerini ve dikkat destekli CNN modellerini sistematik olarak değerlendirmiştir. Dikkat destekli bir CNN çerçevesinin, kanal bazında ve uzamsal açıdan bilgilendirici özellik temsillerini güçlendirerek tanı performansını artırabileceğini varsaymışızdır.

Bu çalışmanın birincil amaçları şunlardı:

(1) ultrason görüntülemesinde klinik açıdan zorlu olan uterin adenomiyom ve miyom arasındaki ayrımı ortaya koymak; (2) radiomiği ve standart derin öğrenme (DL) modellerinin performansını kıyaslamak; (3) bu görev için CAFM adlı önerilen modülü—kanal inceltme ve uyarlamalı çok ölçekli uzaysal birleştirme gerçekleştiren—ResNet-50 omurgasına dahil eden ve iç geçerliliği sağlanan bir tanı modeli geliştirmek; ve (4) bu modelin ön operatif ultrason değerlendirmesi için ilk aşama bir karar destek yaklaşımı olarak tanı performansını, iç dayanıklılığını ve yorumlanabilirliğini değerlendirmek.

2 Materyaller ve yöntemler

2.1 Veri toplama ve ayrıştırma

Bu retrospektif çalışma, Zhejiang Üniversitesi Tıp Fakültesi Sir Run Run Shaw Hastanesi Kurumsal İnceleme Kurulu tarafından (Onay No. 2025-0458) onaylanmış ve aydınlatılmış onay gereksiniminin kaldırılması kararlaştırılmıştır. Tüm işlemler Helsinki Bildirgesi’ne ve ilgili kurumsal yönergelere uygun olarak yürütülmüştür. Veriler, Ocak 2020 ile Ocak 2025 tarihleri arasında Zhejiang Üniversitesi Tıp Fakültesi Sir Run Run Shaw Hastanesi’nde ultrason muayenesine alınan 200 hastadan toplanmıştır. Operasyon sonrası histopatolojik tanı, hastaların uterin adenomiyom ya da uterin miyom olarak sınıflandırılmasında referans standart olarak kullanılmıştır.

Hedef lezyonu gösteren uygun vajinal ultrason görüntüleri retrospektif olarak toplanmış ve ilginin lezyon bölgeleri (ROİ’ler), 10 yıldan fazla deneyime sahip iki deneyimli jinekolojik ultrason uzmanı tarafından Colabeler yazılımı (sürüm 2.0.4, Colabeler Inc.) kullanılarak manuel olarak çizilmiştir. ROİ’ler, mümkün olduğunca komşu normal miyometri dışarıda bırakılarak ultrason görüntülerindeki görülebilir lezyon alanı olarak tanımlanmıştır. Uzmanlar, model tahminlerinden habersizdi. ROİ sınırlarındaki uyumsuzluklar, 15 yıllık deneyime sahip üçüncü bir kıdemli uzmanla katılımlı görüşme yoluyla çözülmüştür. Nihai katılımlı ROİ’ler radiomik özellik çıkarımı için kullanılmıştır (Şekil 1).

Şekil 1

Hastalar aşağıdaki dahil etme kriterlerine göre çalışmaya alınmıştır: (a) Yaş ≥ 18 yıl; (b) Doğru patoloji bilgisinin mevcut olması; ve (c) Tam ve yüksek kaliteli görüntülemenin mevcut olması. Dışlama kriterleri şu şekildeydi: (a) Uygun olmayan görüntü kalitesi; (b) Eksik klinik veri; (c) Eşlik eden rahim patolojileri; ve (d) Mevcut gebelik. Başlangıçta taranan 200 hastanın 102’si dışlandı ve sonuçta 207 ultrason görüntüsü içeren 98 hastalık nihai kohort oluşturuldu. Kohort, adenomiyomlu 42 hastayı (%42,9) ve rahim miyomlu 56 hastayı (%57,1) içeriyordu ve bu da hafif sınıf dengesizliğini gösteriyordu. Dengesizliğin sınırlı derecede olması nedeniyle sınıf ağırlıklandırması, yeniden örnekleme veya diğer dengesizliğe özgü düzeltmeler uygulanmadı. Hastalar hastalar düzeyinde rastgele olarak yaklaşık 7:3 oranında eğitim kümesi (68 hastalıq, 140 görüntü) ve kilitli test kümesi (30 hastalıq, 67 görüntü) olarak ayrıldı. İlgili sınıf dağılımları Şekil 2’de gösterilmiştir.

Şekil 2

2.2 Radyomik

2.2.1 Özellik çıkarma ve seçimi

Radyomik özellikler PyRadiomics (v3.0.1a2) kullanılarak çıkarıldı; ilk sıralı istatistikler, şekil tanımlayıcıları ve dokusal özellikleri (GLCM, GLRLM, GLSZM, NGTDM ve GLDM) içeriyordu. Sıfır varyanslı özellikler daha sonraki analizden önce dışlandı. Kalan tüm özellikler, veri sızıntısını önlemek için yalnızca eğitim kümesinden türetilen parametrelerle Z-puanı normalleştirildi ve ardından test kümesine uygulandı.

Özellik seçimi iki aşamada gerçekleştirildi. İlk olarak, eğitim kümesi üzerinde karşılıklı bilgi (MI) analizi yapılarak her bir radyomik özellik ile sınıflandırma etiketi arasındaki istatistiksel bağımlılık nicelendirildi. Aday eşik değerleri MI skor dağılımından belirlendi ve beş katlı hasta gruplu çapraz doğrulama kullanarak duyarlılık analizi ile değerlendirildi. Eşik değer; boyut indirgeme, AUC ve doğruluk birlikte göz önüne alınarak seçildi.

İkinci olarak, MI ile süzülen özellikler, L1 cezası içeren LogisticRegressionCV (liblinear çözücü, 20 aday düzenleme değeri) kullanılarak mutlak minimize edilmiş seçim operatörü (LASSO) lojistik regresyonuna tabi tutuldu. En iyi düzenleme parametresi (C), 5 katlı çapraz doğrulama yoluyla seçildi. Her hastaya ait birden fazla görüntüden kaynaklanan veri sızıntısı riskini en aza indirmek için çapraz doğrulama katları, hastalara göre gruplandırılan GroupKFold kullanılarak oluşturuldu; böylece aynı hastaya ait görüntüler her yinelemede yalnızca eğitim ya da doğrulama katında yer aldı. Nihai radiomik imza, sıfırdan farklı LASSO katsayılarına sahip özelliklerden oluştu.

2.2.2 Makine öğrenmesi modelinin oluşturulması

Çalışma, rahim adenomiyom ve miyomunun radiomik özelliklerini sınıflandırmak için Python (3.9.12) sürümünde yaygın olarak kullanılan dört denetimli makine öğrenmesi algoritmasını uyguladı ve değerlendirdi. Seçilen modeller Destek Vektör Makinesi (SVM), Rastgele Orman (RF), Aşırı Gradyan Yükseltme (XGBoost) ve Lojistik Regresyon (LR) şeklindedir; bu sayede bu sınıflandırma görevi için farklı algoritmik yaklaşımların kapsamlı bir değerlendirmesi sağlandı.

Tüm modeller, adil karşılaştırma sağlamak amacıyla özelliklerin normalize edildiği standartlaştırılmış bir ön işleme hattına uygun olarak eğitildi. SVM, nispeten küçük örneklem boyutlarında yüksek boyutlu verilerle başa çıkabilme yeteneği nedeniyle seçildi. Ağaç tabanlı bir yöntem olan RF, doğrusal olmayan ilişkileri yakalar ve özellik önemini tahmin etmeye olanak tanır. XGBoost, düzenlemeli yükseltme yöntemlerini genişleterek yüksek tahmin doğruluğunu korurken aşırı uyum riskini azaltır. Genelleştirilmiş lineer bir model olan LR ise yorumlanabilirlik ve hesaplama verimliliği sunar.

Her dört radyomik sınıflandırıcı için hiperparametreler, eğitim kümesinde beş katmanlı hasta gruplu çapraz doğrulama ile ızgara araması kullanılarak optimize edildi. Aynı hastaya ait tüm görüntülerin aynı kata atanmasını sağlamak için gruplama değişkeni olarak hastanın kimliği kullanıldı ve optimizasyon kriteri olarak AUC kullanıldı. Her sınıflandırıcı için değerlendirilen parametre aralıkları ve seçilen hiperparametreler Ek Tablo S1’de sunulmuştur. Optimizasyon sonrasında, her sınıflandırıcı seçilen hiperparametrelerle tüm eğitim kumesinde yeniden uyarlandı ve hiperparametre ayarlamasına katılmayan kilitli iç test kumesinde bir kez değerlendirildi.

2.3 Derin öğrenme modeli kurulumu

2.3.1 Baseline model karşılaştırması

Dört standart CNN mimarisi (EfficientNetV2-S, EfficientNet-B3, DenseNet-121 ve ResNet-50), ImageNet ile önceden eğitilmiş ağırlıklarla başlatıldı ve performans karşılaştırması için baseline modeller olarak kullanıldı. ResNet-50, kısa devre bağlantılarıyla derin ağların optimizasyonunu kolaylaştıran ve artan ağ derinliğiyle ilişkili bozulma sorununu azaltan klasik rezidüel bir mimari olarak dahil edildi. DenseNet-121, sıkı bağlantı kullanarak özellik yayılımını güçlendirir ve nispeten yüksek parametre verimliliğini korurken özellik yeniden kullanımını teşvik eder. EfficientNet-B3, ağ derinliği, genişliği ve giriş çözünürlüğünü birlikte dengeleyen bileşikli ölçekleme kullanır ve öngörü performansı ile hesaplama verimliliği arasında uygun bir denge sağlar. EfficientNetV2-S ise eğitim bilinçli mimari araması ve ölçekleme yoluyla geliştirilen, daha yeni bir verimlilik odaklı mimariyi temsil eder ve eğitim hızını ve parametre verimliliğini artıran Fused-MBConv gibi işlemleri içerir.

2.3.2 Dikkat temelli karşılaştırma modelleri

Farklı dikkat mekanizmalarının katkısını sistematik olarak değerlendirmek amacıyla, temsilci dikkat modüllerinin aynı ResNet-50 omurgasına eklenmesiyle bir dizi dikkat destekli model kuruldu.

SE ve ECA, yalnızca kanal odaklanmasını sağlayan temel modeller olarak seçildi. SE, global ortalamalama havuzlaması ardından bir darboğaz tam bağlı yapı kullanarak kanal bazlı yanıtları yeniden ölçeklendirirken, ECA boyut azaltması olmadan yerel 1 boyutlu convolüsyon aracılığıyla verimli kanal içi etkileşim sağlar. CBAM ayrıca ardışık kanal-alansal odaklanma modülü olarak dahil edildi; bu modül önce kanal yanıtları inceler ve ardından lezyonla ilgili bölgeleri öne çıkarmak için alansal odaklanma uygular, SE ve ECA’ya kıyasla daha kapsamlı bir özellik yeniden ölçeklendirmesi sunar. Önerilen CAFM, aşağıdaki bölümde ayrıntılı biçimde açıklanmış olup, CBAM’yi çok ölçekli alansal modelleme ve uyarlanabilir özellik birleştirme ile geliştirmek amacıyla geliştirilmiştir.

Adil bir karşılaştırma sağlamak için, tüm odaklanma modülleri—SE, ECA, CBAM, CAFM—aynı deney koşulları altında, veri ayrımı, ön işleme, eğitim stratejisi ve değerlendirme protokolü dahil olmak üzere ResNet-50 omurgasının Layer3 katmanından sonra yerleştirildi. Omurga eğitim boyunca donduruldu ve yalnızca odaklanma modülü ile sınıflandırma başı eğitilebilir durumda bırakıldı.

2.3.3 Önerilen ResNet-50-CAFM mimarisi

CBAM özellik temsillerini ardışık kanal ve alansal odaklanma ile inceleyebilse de, alansal odaklanması tek ölçekli bir işleme dayanır. Bu sınırlamayı aşmak için, ResNet-50 omurgasına entegre edilen Bir kanal-duyarlı Özellik Düzenlemesi (CAFM) modülü öneriyoruz. Şekil 3’te gösterildiği gibi, CAFM özellik temsillerini incelemek için Layer 3’ten sonra yerleştirilmiştir.

Şekil 3

CAFM modülü ardışık dört bileşenden oluşur:

• (1)

  Kanal İncelemesi. Layer3 özellik haritası, CBAM tarzı bir kanal dikkat mekanizması kullanılarak yeniden kalibre edilir. Belirli olarak, GAP ve GMP betimleyicileri ortak bir MLP üzerinden geçirilir ve Sigmoid aktivasyon işleviyle kanal bazlı dikkat ağırlıkları üretilir; bu ağırlıklar ardından giriş özellik haritasına eleman eleman uygulanarak kanal açısından incelenmiş Xc özelliği elde edilir (, ).

• (2)

  Çok Ölçekli Uzamsal Kodlama. Kanal açısından incelenmiş Xc özelliğinin kanal boyutu boyunca ortalamalı ve maksimum havuzlama paralel olarak uygulanır. Ortaya çıkan uzamsal betimleyiciler birleştirilerek ortak iki kanallık bir temsil oluşturulur:

  P=Concat[AvgPoolc(Xc),MaxPoolc(Xc)]P=Concat[AvgPoolc(Xc),MaxPoolc(Xc)]

Bu işlem kanal boyutunu sıkıştırırken tamamlayıcı uzamsal istatistikleri korur. Ortak temsil

P

ardından paralel

×

3

×

3

×

7

×

7

boyutlu evrim dallarından geçirilir:

S

=

Con

v

×

(

P

)

S

3

=

Con

v

3

×

3

(

P

)

S

=

Con

v

×

(

P

)

S

7

=

Con

v

7

×

7

(

P

)

Bu iki dal, aynı uzamsal çözünürlükte tek kanallık uzamsal tepki haritaları üretir.

×

3

×

3

dalı nispeten yerel uzamsal örüntüleri yakalar;

×

7

×

7

dalı ise daha geniş bir alıcı alan sağlar.

• (3)

  Uyarlanabilir Çok Ölçekli Birleştirme. İki ölçek özgü uzaysal tepki haritası SS3 ve S, kanal boyutu boyunca yan yana getirilir ve 3×3 derinlemesine çarpım, 1×1 noktasal çarpım, batch normalize, ReLU aktivasyonu, global ortalama havuzlama, tam bağlı bir katman ve softmax aktivasyonundan oluşan hafif bir ağırlıklandırma yolundan geçirilir. Bu yol, w3 ve w7 iki örnek özgü dal seviyesinde skaler ağırlık üretir ve w3+w7=1 koşulunu sağlar. Uyarlanabilir birleştirilmiş uzaysal tepki şu şekilde hesaplanır:

  A=w3S3+w7S7

Her iki uzaysal tepki haritası da kanal açısından iyileştirilmiş özellik

X

c

dan elde edilir; böylece kanal açısından iyileştirme ile uyarlanabilir uzaysal ölçek birleştirme birbirine bağlanır.

• (4)

  Uzaysal Modülasyon. Birleştirilmiş uzaysal tepki, bir sigmoid fonksiyonu kullanarak bir kapama haritasına dönüştürülür:

  G=Sigmoid(A)

Kapama haritası kanal boyutu boyunca yayılır ve kanal açısından iyileştirilmiş özellik haritasını uzaysal olarak modüle eder:

X

out

=

X

c

⊙

G

burada

⊙

eleman bazında çarpımı ifade eder.

İyileştirilmiş özellik haritası Xout, ardından adenomyoma ve miyomun sınıflandırılması için son ResNet-50 kodlama aşamasına, ardından Global Ortalama Havuzlama ve tam bağlı bir sınıflandırıcıya aktarılır.

2.3.4 Model eğitim protokolü

Tüm ultrasound BMP görüntüleri, derin öğrenme modeli eğitimi ve değerlendirmesi için ROI kırpması veya lezyon maskeleme olmadan bütün görüntüler olarak kullanıldı. Görüntüler, tüm modeller için üç kanallı girdi olarak işlendi ve 224 × 224 piksele boyutlandırıldı; ancak EfficientNet-B3 ve EfficientNetV2-S için sırasıyla modele özgü 300 × 300 ve 384 × 384 piksel girdi çözünürlükleri kullanıldı. Piksel değerleri 0–1 aralığına ölçeklendirildi ve ImageNet ortalaması ve standart sapma değerleri ([0.485, 0.456, 0.406] ve [0.229, 0.224, 0.225]) kullanılarak normalize edildi.

Tüm modeller, ImageNet ile önceden eğitilmiş omurga ağırlıklarıyla başlatıldı. 68 hastalıktan oluşan sınırlı eğitim kohortu nedeniyle, eğitilebilir parametre sayısını azaltmak ve aşırı uyumayı (overfitting) azaltmak için önceden eğitilmiş omurgalar eğitim boyunca donduruldu. Yalnızca göreve özgü sınıflandırma başlıkları, dört temel CNN için optimize edildi. Dikkat (attention) desteklenen ResNet-50 modellerinde orijinal ResNet-50 omurgası dondurulurken, yeni eklenen dikkat modülü ve göreve özgü sınıflandırma başlığı eğitilebilir durumdaydı. Omurganın kısmi veya tam düzeyde ince ayarı (fine-tuning) yapılmadı.

Beş katlı çapraz doğrulamada, eğitilebilir parametreler Adam ile 1×10⁻⁴ öğrenme hızında, 1×10⁻⁵ ağırlık çürümesinde (weight decay) ve çapraz entropi kaybında optimize edildi. Sınıflandırma başlığında Dropout (p = 0,5) uygulandı ve yalnızca eğitim görüntülerine rastgele yatay çevirme (p = 0,25) uygulandı. StratifiedGroupKFold, hastaya göre gruplandırarak tanıya göre katmanlama yaparak aynı hastaya ait görüntülerin farklı katlarda yer almasını önledi. Her katta, en yüksek doğrulama AUC’sine sahip checkpoint korundu. Erken durma, beş epokluluk sabırla (patience) doğrulama AUC’sine göre belirlendi. Doğrulama kaybı düzleştiğinde, öğrenme hızı iki epokluluk sabırla 0,5 çarpanıyla azaltıldı ve minimum öğrenme hızı 1×10⁻⁷ olarak ayarlandı.

Çapraz doğrulamadan sonra, her model aynı ImageNet ile önceden eğitilmiş omurga ağırlıklarıyla yeniden başlatıldı ve tüm eğitim kümesinde yeniden eğitildi. Eğitim süresi, katta özgü durma epoklarının yuvarlanmış aritmetik ortalaması olarak belirlendi ve en az bir epok oldu. Son yeniden eğitimde Dropout ve yalnızca eğitim amaçlı rastgele yatay çevirme korundu. Son yeniden eğitim, 1×10⁻⁴ öğrenme hızında, 1×10⁻⁵ ağırlık çürümesinde ve çapraz entropi kaybında Adam kullandı. Doğrulama alt kümesi kullanılmadığı için ReduceLROnPlateau zamanlayıcısı, 0,1 çarpanıyla, 10 epokluluk sabırla ve 0 minimum öğrenme hızıyla eğitim kaybını izledi. Son model, kilitli dahili test kümesinde bir kez değerlendirildi.

2.4 Model değerlendirme metrikleri

Model performansı hasta düzeyinde değerlendirildi. Adenomiyom pozitif sınıf olarak tanımlandı. Her hastaya ait tüm mevcut ultrason görüntülerinden elde edilen tahmini olasılıklar ortalamaya alınarak tek bir hasta düzeyinde olasılık oluşturuldu. Hasta düzeyinde AUC, bu ortalamalı olasılıklar kullanılarak hesaplandı ve herhangi bir sınıflandırma eşiğinden bağımsızdı.

Scheğe bağlı ölçütler için hast düzeyinde olasılıklar, varsayılan 0,5 eşiği kullanılarak ikili tahminlere dönüştürüldü. Tanısal performans; doğruluk, duyarlılık, özgüllük, kesinlik ve F1 skoru kullanılarak değerlendirildi ve aşağıdaki gibi hesaplandı:

Doğruluk

=

(

TP

+

TN

)

(

TP

+

TN

+

FP

+

FN

)

Duyarlılık

=

TP

(

TP

+

FN

)

Özgüllük

=

TN

(

TN

+

FP

)

Kesinlik

=

TP

(

TP

+

FP

)

F

1

−

skor

=

(

2

×

Kesinlik

×

Duyarlılık

)

(

Kesinlik

+

Duyarlılık

)

burada TP, TN, FP ve FN sırasıyla doğru pozitif, doğru negatif, yanlış pozitif ve yanlış negatifleri temsil eder. Duyarlılık ve özgüllük sırasıyla adenomiyom ve miyom tanıma yeteneğini; F1 skoru ise kesinlikle duyarlılık arasındaki dengeyi özetledi. AUC için 95% güvenirlik aralıkları, 1.000 yinelemeli bootstrap yeniden örnekleme kullanılarak tahmin edildi. Önceden belirlenen birincil modeller için eşeğe bağlı ölçütlerin 95% güvenirlik aralıkları da hesaplandı. Birincil modeller arasındaki eşleşmiş AUC’lar DeLong testiyle, eşleşmiş ikili sınıflandırma sonuçları ise iki uçlu tam McNemar testiyle karşılaştırıldı. Tüm istatistiksel sınamalar iki uçluydu ve

P

değeri < 0,05 istatistiksel olarak anlamlı kabul edildi.

2.5 Okur çalışması

Bağımsız test kümesi kullanılarak yapılan okuyucu çalışması, önerilen model ile insan okuyucuların karşılaştırmalı tanısal performansını değerlendirmek amacıyla gerçekleştirildi. Üç jinekolojik ultrasonograf, her hastayı bağımsız olarak adenomyoma veya uterin miyom olarak sınıflandırdı. Tüm okuyucular klinik bilgilerden, histopatolojik referans standartlarından ve model tahminlerinden habersizdi. Okuyuculara modele girdi olarak aynı statik ultrason görüntüleri sağlandı ve herhangi bir zaman kısıtlaması getirilmedi. Tanısal doğruluk, her okuyucu için modelde kullanılan aynı referans standart kullanılarak hesaplandı. Okuyucular güven skorları olmadan ikili kararlar verdiğinden, okuyucu-model karşılaştırması için AUC birincil metrik olarak kullanılmadı.

Karar eğrisi analizi (DCA), değerlendirilen modellerin farklı eşik olasılıkları boyunca potansiyel klinik net faydasını değerlendirmek için hasta düzeyinde, hasta düzeyinde birleştirilmiş tahmin olasılıkları kullanılarak gerçekleştirildi.

2.6 Model yorumlanabilirliği yöntemleri

2.6.1 Radiomik modellerin yorumlanabilirliği

Radiomik özellik katkılarını karakterleştirmek için en iyi performansı gösteren radiomik modele Shapley Additive Explanations (SHAP) uygulandı. İşbirlikçi oyun teorisine dayanarak bu çerçeve, her özelliğe o özelliğin nihai tahmine marjinal katkısını nicelendiren belirli bir değer atar. SHAP, özellik katkılarını sıralamak ve yönsel olarak yorumlamak için yaygın olarak kullanılmaktadır (, ). Bu analiz, sınıflandıirma çıktısına en güçlü şekilde katkıda bulunan radiomik özellikleri belirleyerek modelin karar örüntülerini karakterleştirmeye yardımcı oldu.

2.6.2 Derin öğrenme modellerin yorumlanabilirliği

Clean clinical interpretation of the proposed ResNet-50-CAFM model was supported by Grad-CAM, which was used to visualize the discriminative regions associated with model predictions. As a gradient-based method, Grad-CAM was chosen because it offers class-specific spatial visualizations without requiring architectural modification, model retraining, or repeated perturbation sampling. The resulting heatmaps were overlaid on the original ultrasound images, with the manually annotated ROI boundary displayed as a spatial reference. These maps served as a qualitative tool to assess the plausibility of model attention rather than as direct evidence of causal decision-making. Additional sensitivity analyses included quantitative Grad-CAM localization, lesion-only and background-only masking, and supplementary ROI-cropped model retraining to evaluate lesion dependence and the potential use of extra-lesional information.

3 Results

3.1 Radiomics and machine learning analysis

3.1.1 Radiomics feature selection

A total of 1,632 radiomics features were extracted using PyRadiomics, including first-order statistics, shape descriptors, and texture features. After removing zero-variance features, the remaining 1,518 features were Z-score normalized. Based on the distribution of mutual information (MI) scores, three candidate thresholds (0.05, 0.075, and 0.10) were evaluated through sensitivity analysis (Figure 4A), retaining 381, 212, and 99 features, respectively. The mean cross-validation AUC (mean ± SD) for the three thresholds was 0.6807 ± 0.1194, 0.6234 ± 0.1313, and 0.6632 ± 0.1513, while the mean accuracy was 0.6365 ± 0.0981, 0.5889 ± 0.1039, and 0.6433 ± 0.1265, respectively (Figure 4B). Therefore, considering both predictive performance and feature set parsimony, a threshold of 0.10 was ultimately selected as the final MI cutoff, retaining 99 features for subsequent LASSO analysis. Finally, LASSO logistic regression was performed on the remaining features, resulting in a final subset of 21 radiomics features for model construction (Figure 5).

Figure 4

Figure 5

3.1.2 Makine öğrenmesi modelleri

Radiomiği tabanlı makine öğrenmesi modellerinin bağımsız test setindeki tanısal performansları Tablo 1’de özetlenmektedir. Genel olarak radiomiği modelleri, hastalar düzeyinde orta derecede ayırt edici performans göstermiştir. Lojistik Regresyon, en yüksek gözlemlenen nokta tahmini AUC değeri olan 0.814 (%95 IG: 0.630–0.962) ile 0.667 doğruluk, 0.588 kesinlik, 0.769 duyarlılık, 0.588 özgüllük ve 0.667 F1 skoru elde etmiştir. Rastgele Orman 0.667 doğruluk, 0.600 kesinlik, 0.692 duyarlılık, 0.647 özgüllük ve 0.643 F1 skoru ile 0.792 AUC (%95 IG: 0.593–0.952) sağlamıştır. SVM 0.778 AUC (%95 IG: 0.574–0.932) elde ederken, XGBoost dört radiomiği modeli arasında en düşük AUC değerini 0.724 (%95 IG: 0.512–0.910) ile göstermiştir.

Tablo 1

Radiomiği modellerinin test setindeki hastalar düzeyindeki performansları.

En iyi performansı gösteren değerler kalın yazıyla belirtilmiştir. Adenominoz pozitif sınıf olarak tanımlanmıştır.

Radiomik modellerin hastalar düzeyindeki alıcı işletim karakteristik (ROC) eğrileri Şekil 6A’da gösterilmektedir. Karar analizi, radyomik modellerin belirli eşik olasılık aralıklarında pozitif net fayda sağladığını, Lojistik Regresyon’un ise nispeten daha iyi bir performans sergilediğini ortaya koymuştur (Şekil 7A). Genel olarak Lojistik Regresyon, radyomik modeller arasında gözlemlenen en yüksek nokta tahmini AUC ve F1 skoruna sahipti ve sonralı karşılaştırmalar için seçildi.

Şekil 6

Şekil 7

3.2 Derin öğrenme

3.2.1 Derin öğrenme temel modelleri

Dört temel CNN modelinin bağımsız test kümesindeki hastalar düzeyindeki performansı Tablo 2’de özetlenmekte, karşılık gelen ROC eğrileri ve karar analizi sırasıyla Şekil 6B ve Şekil 7B’de gösterilmektedir. DCA, tüm temel CNN modellerinin belirli eşik olasılık aralıklarında pozitif net fayda sağladığını göstermiştir.

Tablo 2

Test kümesinde temel derin öğrenme modellerinin hastalar düzeyindeki performansı.

Adenomiyom pozitif sınıf olarak tanımlandı. En iyi performansa sahip değerler kalın yazıyla gösterilmiştir.

Bu modeller arasında ResNet-50, gözlemlenen en yüksek nokta tahmini AUC değeri olan 0.769 (95% IG: 0.576–0.928), 0.733 doğruluk, 0.778 kesinlik, 0.882 özgüllük ve 0.636 F1 skoru ile 0.538 duyarlılık gösterdi. Diğer temel CNN modellerinden DenseNet-121, 0.765 AUC (95% IG: 0.569–0.914), 0.700 doğruluk ve 0.640 F1 skoru; EfficientNet-B3, 0.756 AUC (95% IG: 0.561–0.907), 0.633 doğruluk ve 0.621 F1 skoru; EfficientNetV2-S ise 0.656 AUC (95% IG: 0.418–0.860), 0.633 doğruluk ve 0.593 F1 skoru elde etti.

Genel olarak ResNet-50, sonraki dikkat modülü optimizasyonu için omurga olarak seçildi.

3.2.2 Dikkat destekli ResNet-50 modellerinin performansı

ResNet-50 ve dikkat destekli varyantlarının bağımsız test kümesindeki hasta düzeyinde performansı Tablo 3’te özetlenmiş; ilgili ROC eğrileri ve karar kümesi analizi sırasıyla Şekil 6C ve Şekil 7C’de gösterilmiştir. DCA, tüm ResNet-50 tabanlı modellerin belirli eşik olasılığı aralıklarında pozitif net katkı sağladığını gösterdi.

Tablo 3

Dikkat destekli ResNet-50 modellerinin test kümesinde hasta düzeyinde performansı.

Adenomada, pozitif sınıf adenomada olarak tanımlandı. En iyi performansı gösteren değerler kalın yazıyla gösterilmiştir.

Bu modeller arasında ResNet-50-CAFM, dikkat artırıcı modeller arasında en yüksek gözlemlenen nokta tahmini AUC değeri olan 0.855 (95% IG: 0.693–0.982), 0.833 doğruluk, 0.833 kesinlik ve 0.800 F1 skoruna ulaştı. Duyarlılığı 0.769 olarak ölçülen bu modelin ECA ile karşılaştırılabilir düzeyde olması, özgüllüğü ise 0.882 olarak ölçülerek temel ResNet-50 ve CBAM modelleri ile karşılaştırılabilir bulundu. Diğer dikkat artırıcı modellerden ResNet-50-CBAM 0.833 AUC, ResNet-50-SE 0.774 AUC ve ResNet-50-ECA ise 0.756 AUC değerine ulaştı.

Genel olarak ResNet-50-CAFM, dikkat artırıcı modeller arasında en yüksek gözlemlenen nokta tahmini AUC değeri gösterdiği için sonralı karşılaştırmalar için seçildi.

3.2.3 ResNet-50-CAFM bileşenlerinin ortadan kaldırma çalışması

Bağımsız test setindeki hastalar düzeyinde ablasyon sonuçları Tablo 4’te özetlenmiştir. CAFM varyantlarıyla aynı ablasyon hattında yeniden eğitilen ResNet-50 temel modeli, 0.774’lük (95% IG: 0.576–0.931) AUC, 0.733 doğruluk ve 0.636 F1 puanı vermiştir. Tam CAFM modeli, sayısal olarak en yüksek AUC olan 0.855’i (95% IG: 0.693–0.982); 0.833 doğruluk, 0.769 duyarlılık, 0.882 seçicilik ve 0.800 F1 puanını göstermiştir. Yalnızca kanal dikkatinin ekilmesi 0.805’lik (95% IG: 0.612–0.956) AUC’ye; 3×3’lik evrimsel çekirdekli uzamsal dikkatin ekilmesi 0.833’lük (95% IG: 0.656–0.977) AUC’ye karşılık gelirken, 7×7’lik uzamsal dikkat dalının ekilmesi 0.792’lik (95% IG: 0.588–0.963) AUC vermiştir. DWConv veya PWConv’un kaldırılması sırasıyla 0.819’luk (95% IG: 0.634–0.964) ve 0.819’luk (95% IG: 0.640–0.964) AUC’lere karşılık gelmiştir; bu varyantlarda eşik bağımlı sınıflandırma ölçütleri nispeten korunmuş olsa da, eşlik eden AUC’deki düşüşün, bileşenlerin hastalar düzeyinde ayrıştırma performansına olası katkısıyla tutarlıdır. Genel olarak tam CAFM modeli, ablasyon varyantları arasında gözlemlenen sayısal olarak en yüksek AUC’yi vermiştir. Bu betimleyici bulgular, CAFM tasarım gerekçesine ön hazırlık düzeyinde destek sağlar ancak bileşen düzeyinde üstünlüğü kanıtlamaz.

Tablo 4

Test kümesinde CAFM modülünün hastalar düzeyinde ortadan kaldırma (ablation) sonuçları.

En iyi performansı gösteren değerler kalın yazıyla belirtilmiştir.

3.3 Önerilen ResNet-50-CAFM modelinin performansı

Tablo 5’te özetlendiği gibi, ResNet-50-CAFM temel performans metriklerinde sayısal olarak olumlu nokta tahminleri gösterdi: doğruluk 0.833, sezicarlık 0.769, spesifiklik 0.882, F1 skoru 0.800 ve AUC 0.855 (95% IG: 0.693–0.982). Temel ResNet-50’ye kıyasla sayısal olarak daha yüksek doğruluk, sezicarlık, F1 skoru ve AUC gösterdi. Ayrıca radyomik Lojistik Regresyon modeliyle kıyasla sayısal olarak daha yüksek doğruluk, F1 skoru ve AUC gösterdi. Ancak her iki AUC farkı da istatistiksel olarak anlamlı değildi (ResNet-50 ile karşılaştırma için DeLong P = 0.137 ve Lojistik Regresyon ile karşılaştırma için P = 0.624).

Tablo 5

Radiomik, derin öğrenme modelleri ve insani okuyucuların bağımsız test kümesinde hasta düzeyinde tanısal performans.

Adenomiyoma pozitif sınıf olarak tanımlandı. İnsan okuyucular için AUC hesaplanmadı, çünkü yalnızca ikili kararlar mevcuttu. En iyi performansı gösteren değerler kalın yazıyla gösterilmiştir.

İnsan okuyucularla karşılaştırıldığında ResNet-50-CAFM, ortalama okuyucu performansından daha yüksek doğruluk gösterdi ve en yüksek duyarlıği, özgüllüğü ve F1 skorunu sağladı; buna karşın Reader-3 en yüksek hassasiyete sahipti. ResNet-50-CAFM ile bireysel okuyucular arasında istatistiksel açıdan anlamlı eşleşmiş farklar gözlenmedi (McNemar için tam P değeri sırasıyla 1.000, 0.508 ve 0.688 olarak bulundu). İnsan okuyucular için AUC hesaplanmadı, çünkü yalnızca ikili tanı kararları mevcuttu. Detaylı olgu düzeyindeki hatalar ve detaylı eşleşmiş karşılaştırmalar Ek Tablo S2’de sunulmuştur.

3.4 Model yorumlanabilirliği ve klinik korelasyon

Radiomik ve DL modelleri için ayrı açıklanabilirlik analizleri sırasıyla SHAP ve Grad-CAM kullanılarak yürütüldü.

3.4.1 SHAP analizi

Radiomik analizde Lojistik Regresyon rekabetçi bir performans gösterdiği için, karar örüntüsü yorumlanmak üzere SHAP analizi kullanıldı. Küresel önem derecesi, mutlak SHAP değerlerinin ortalaması kullanılarak nicelendirildi (Şekil 8). En etkili radiomik özellikler wavelet-HLL_glszm_LowGrayLevelZoneEmphasis, original_glcm_Imc2, lbp-3D-m1_firstorder_10Percentile, lbp-3D-k_glrlm_RunEntropy ve wavelet-LLL_glszm_SmallAreaLowGrayLevelEmphasis olarak belirlendi. Bu özellikler temelde gri-seviye bölge dağılımını, dokusal korelasyonu, yerel yoğunluk yüzdeliklerini ve uzunluk-uzunluğu heterojenliğini yansıtarak radiomik modelin öncelikle yoğunluk dağılımı ve dokusal heterojenliğe dayandığını, geniş bir zayıf öngörücü kümesine değil olduğunu göstermektedir.

Şekil 8

SHAP beeswarm grafiği (Şekil 9), özellik etkilerinin yönünü daha ayrıntılı biçimde göstermektedir. original_glcm_Imc2, lbp-3D-m1_firstorder_10Percentile, lbp-3D-k_glrlm_RunEntropy, wavelet-LLL_glszm_SmallAreaLowGrayLevelEmphasis ve wavelet-HLH_ngtdm_Coarseness için yüksek özellik değerleri genellikle pozitif SHAP değerlerine katkıda bulunarak adenomyom tahmini olasılığını artırmıştır. Buna karşılık, wavelet-HLL_glszm_LowGrayLevelZoneEmphasis için yüksek değerler negatif yönde katkı sağlarken, düşük değerler pozitif SHAP değerleriyle ilişkilendirilmiştir. Birkaç alt sıradaki özellik, sıfır etrafında daha küçük ve daha kümelenmiş SHAP dağılımları göstererek model çıktısına daha sınırlı katkıda bulunduğunu ortaya koymuştur. Genel olarak bu bulgular, radyomik modelin adenomyomu leiomyomdan ayrıştırırken başlıca doku ve yoğunlukla ilgili özelliklerden oluşan kompakt bir grup üzerinden hareket ettiğini düşündürmektedir.

Şekil 9

3.4.2 Derin öğrenme modellerinin yorumlanabilirliği

Grad-CAM, önerilen ResNet-50-CAFM modelinin tahminleriyle ilişkili görüntü bölgelerini görselleştirmek için kullanılmıştır (Şekil 10). Niteliksel karşılaştırma amacıyla karşılık gelen ResNet-50 haritaları da gösterilmiştir. Şekil 10, ResNet-50 tarafından yanlış, ResNet-50-CAFM tarafından doğru sınıflandırılan bir adenomyom olgusu ile her iki model tarafından da doğru sınıflandırılan iki leiomyom olgusu dahil olmak üzere üç örnek test vakasını sunmaktadır. CAFM haritaları, lezyon içinde ve çevresindeki görüntü bölgelerinde uzamsal yanıtlar göstermiş, desenler vakaya göre değişmiştir. Bu örnekler yalnızca niteliksel açıklamalar amacıyla kullanılmış ve modelin belirli sonografik özellikleri öğrendiğine dair kanıt olarak yorumlanmamıştır.

Şekil 10

Daha kapsamlı bir değerlendirme sağlamak amacıyla, Grad-CAM lokalizasyonu kilitli test setindeki 30 hastaya ait tüm 67 görüntü üzerinde nicelendirildi (Ek Tablo S3). Maskeleme duyarlılık analizleri, lezyona bağımlılık ve çevresel bağlam bilgisinin olası kullanımı konusunda açıklayıcı kanıtlar sundu (Ek Tablo S4A). ResNet-50-CAFM için hastaya düzeyinde ROI aktivasyon-enerji oranı 0,131, pointing-game isabet oranı 0,158, en üstteki %25 aktivasyon bölgesinin IoU değeri 0,106 ve Dice katsayısı 0,166 olarak bulundu. Görüntü düzeyinde ROI aktivasyon-enerji oranı 0,136 idi. Bu sonuçlar, modelin hassas bölgelerin anotasyonlu lezyon ROI’sinin içine ve ötesine dağıldığını, tek bir keskin şekilde lokalize edilmiş alana hapsedilmediğini göstermektedir. ROI kırpılarak yeniden eğitilen modele ilişkin ayrıntılı sonuçlar Ek Tablo S4B’de sunulmaktadır.

4 Tartışma

Bu kavram kanıtı çalışması, ultrasonografi üzerinde rahim adenomiyomunu rahim miyomundan ayırt etmek için dikkat artırıcı derin öğrenme modelini değerlendirmiştir. Bu iki oluşumun görüntüsel bulgularının örtüşmesi, özellikle belirsiz sınırlar, heterojen eko doku yapısı ve çevresel miyometriye sürekli geçişler göz önüne alındığında, güvenilir AI destekli tanı, hassas ve alansal olarak dağılmış görüntü ipuçlarını yakalayabilen modellere ihtiyaç duymaktadır. Bulgularımız, CAFM modülünün entegrasyonunun bu veri setinde hastaya düzeyinde ayırt ediciliğe ilişkin daha yüksek nokta tahminleriyle ilişkili olduğunu, DCA belirli eşik aralıklarında olumlu net fayda sağladığını ve model tahminleriyle ilişkili bölgelerin açıklayıcı alan görselleştirmelerini sunduğunu göstermektedir.

Optimize edilmiş DL modeli ile el ile tasarlanmış radiomik yaklaşımı arasındaki performans farkı, önceden tanımlanmış özellik setlerinin bu belirsiz görüntüleme bağlamında sınırlamalara sahip olabileceğini göstermektedir. Kesilen bölgenin hassas segmentasyonuna ve sabit matematiksel tanımlayıcılara dayanan radiomik özellikleri, bu durumların tipik olduğu gibi yankı heterojenliğinin ve yapısal bozulmanın kademeli doğasını yakalamakta zorlanabilir. Buna karşılık, DL’nin otomatik özellik çıkarma kapasitesi, bu karmaşık örüntüleri doğrudan ham ultrases verilerinden öğrenmeye olanak tanır. Bu gözlem, DL’nin karmaşık yankılığa ilişkin görevlerde tutarlı olarak radiomik yöntemlerini geride bıraktığı meme ultrasesi çalışmalarındaki bulgularla uyumludur. Bu bulgular umut verici olsa da, DL’nin radiomik yöntemlerine göre potansiyel avantajı, daha büyük dış kohortlarda doğrulama gerektirmektedir.

CAFM modülü, kanal düzeyinde yeniden düzenleme ve uzaysal modülasyon yoluyla özellik temsilini iyileştirmek amacıyla tasarlanmıştır. Mevcut veri setinde, tam CAFM yapılandırması, test edilen dikkat modülü varyantları arasında sayısal olarak en yüksek gözlemlenen AUC’yi sağlamıştır. Ancak, bu sayısal fark, sınırlı örneklem boyutu ve örtüşen güven aralıkları göz önüne alındığında, bileşen düzeyinde üstünlük kanıtı olarak yorumlanmamalıdır. CAFM, tek bir sabit ölçekli dikkat operasyonuna dayanmak yerine, kanal yeniden kalibrasyonu, çok ölçekli uzaysal kodlama ve uyumlu birleşimi bir araya getirir. Bu tasarım, farklı uzaysal ölçeklerde bilgi entegrasyonunu kolaylaştırabilir; bu da konsept olarak adenomiyom ile miyom arasındaki ayrımı kolaylaştırabilir, çünkü sesli görünimler kademeli yankı dokusu heterojenliği ve ayrık görsel belirtiler yerine belirsiz lezyon-miyomyum sınırlarını içerebilir. Yine de, mevcut ablasyon, Grad-CAM ve maskeleme analizleri CAFM’nin bu sesli özellikleri spesifik olarak algıladığını veya gereksiz arka plan yanıtlarını seçici olarak baskıladığını kanıtlamamaktadır. Bu mekanistik yorumlar dolayısıyla hipotez niteliğini korumakta ve daha büyük, dış kohortlarda doğrulamaya gereksinim duymaktadır.

Önceden ultrason tabanlı AI çalışmalarının çoğu doğrudan adenomyomadan miyoma ayrımından ziyade adenomiyozis tespiti üzerine odaklanmıştır. Raimondo ve arkadaşları, TVUS görüntülerinden çıkarılan görüntüleri kullanarak konvansiyonel CNN’leri değerlendirmiş ve model performansını orta düzeyde yetkinliğe sahip eğitimlülerle karşılaştırmıştır; Zhao ve arkadaşları ise daha büyük bir kohortta otomatik adenomiyozis tespiti için dönüştürücü tabanlı bir çerçeve geliştirmiştir (, ). Günümüz çalışmasıyla daha doğrudan ilişkili olarak, Wu ve arkadaşları patolojik olarak doğrulanmış rahim miyomaları ile adenomyomaları ayırt etmek için ultrason radiomik ve klinik-radiomik modelleri geliştirmiş ve çok merkezli dış validasyon gerçekleştirmiştir (). Günümüz çalışması, bu araştırma hattını aynı hastalıktürü düzeyinde çerçeve içinde radiomik modelleri, konvansiyonel CNN’leri, dikkat artırılmış CNN’leri ve insan okuyucuları karşılaştırarak genişletmektedir. Ancak, tanısal hedefler, görüntü girdileri, kohort boyutları ve validasyon tasarımları arasındaki farklar nedeniyle bu çalışmalar arasında doğrudan sayısal karşılaştırma uygun değildir.

CBAM ve diğer sabit-birleştirme dikkat varyantlarıyla karşılaştırıldığında, CAFM kanal inceltmesinden sonra 3 × 3 ile 7 × 7 uzamsal dallar arasında uyumlu ağırlıklandırma getirir. Bu tasarım, adenomyomadan miyoma ayrımında ilgili olan hem yerel dokusal ipuçlarını hem de daha geniş bağlamsal örüntüleri dengelemeye yardımcı olabilir. Ablasyon analizinde, tam CAFM modeli en yüksek gözlemlenen nokta tahmini AUC’ye sahipti; bireysel bileşenlerin kaldırılması veya basitleştirilmesi ise daha düşük AUC nokta tahminleriyle ilişkilendirilmiştir. Ancak, güven aralıklarının örtüşmesi ve örneklem boyutunun sınırlı olması nedeniyle, bu sonuçlar kesin üstünlükten ziyade ön kanıt olarak yorumlanmalıdır.

SHAP analizi, Lojistik Regresyon radyomik modelinin tahminlerinin başlıca gri-seviye alanı, eş-zamanlılık, koşu-uzunluğu ve ilk-sıra yoğunluk tanımlayıcılarıyla etkilendiğini gösterdi. Wavelet-HLL_glszm_LowGrayLevelZoneEmphasis, original_glcm_Imc2, lbp-3D-m1_firstorder_10Percentile ve lbp-3D-k_glrlm_RunEntropy gibi yüksek sıralı temsilci özellikler, modelin gri-seviye dağılımına, yerel yoğunluk değişimine ve lezyon içindeki dokusal heterojeniteye duyarlı olduğunu öne sürdü. SHAP beeswarm grafiğinde, doku- ve yoğunluk ilişkili birkaç özellik tahminleri adenomiyoma yönünde değiştirirken, wavelet-HLL_glszm_LowGrayLevelZoneEmphasis değerlerinin artması tahminleri adenomiyoma’dan uzaklaştırdı. Bireysel radyomik özellikler birebir temelde doğrudan belirli bir sonografik bulguya indirgenemese de, genel katkı deseni; adenomiyomanın genellikle heterojen eko dokusu ve belirgin olmayan lezyon-miyrium arayüzü ile ortaya çıktığına dair klinik gözlemlerle geniş ölçüde uyumluydu ().

Ele alındığında, Grad-CAM, maskeleme ve ROI-tabanlı yeniden eğitim analizleri, tüm-görüntü modellerinin lezyona bağlı ancak bağlamı da içeren bir yorumlamayı desteklemektedir. Yalnızca lezyon içeren kırpmalara yeniden eğitim yapılan modellerin korunan performansı, lezyon ROI’sinin önemli miktarda tanısal bilgi içerdiğini gösterirken, yalnızca arka plan girdilerindeki ayırt ediciliğin korunması, ROI dışındaki bilgilerin de tahminlere katkıda bulunduğunu öne sürmektedir. Grad-CAM ayrıca, model tarafından hassas bulunan bölgelerin hem lezyonu hem de çevredeki miyomyumu içerebileceğini ortaya koymuştur. Ancak nicelsel lokalizasyon, aktivitenin lezyon ROI’sine tutarlı biçimde sınırlandırıldığını göstermemiş; aktivite gösterilen bölgeler lezyon morfolojisini, yerel eko dokusunu, lezyon-miyomyum ilişkilerini ya da kenar geçişleri ve edinimle ilgili ipuçları gibi klinik olmayan görüntü özelliklerini yansıtıyor olabilir. Bu nedenle, ResNet-50-CAFM ile gözlemlenen sayısal olarak daha yüksek performans, lezyonla ilgili ve lezyon dışı bilgilerin ortak temsilini yansıtıyor olabilir; ancak mevcut analizler, bu performans eğiliminden sorumlu belirli bir sonografik özelliği veya mekanizmayı kanıtlamamaktadır.

MRI, zorlu rahim lezyonlarında daha yüksek tanı doğruluğu göstermekte ve genellikle ikinci çizgi görüntüleme yöntemi olarak kullanılmakta; ancak erişilebilirliği ve maliyet etkinliği nedeniyle ultrason ilk seçilen görüntüleme aracı olmaya devam etmektedir (). Önerilen ResNet-50-CAFM modeli, MRI’nın yerini almayı değil, ultrason seviyesinde tanı güvenirliğini artırmayı hedeflemektedir. Model, özellikle deneyimsiz operatörlerde veya MRI erişiminin sınırlı olduğu ortamlarda ultrasona dayalı karar vermeye yardımcı bir referans olarak hizmet edebilir. Belirsiz veya birbirini tamamlayan sonografik bulgulara sahip hastalarda, olasılık çıktısı bir ikinci görüş sağlayabilir ve hekimlerin uzman değerlendirmesi veya ek görüntüleme gerekip gerekmediğine karar vermesine yardımcı olabilir. Bu potansiyel klinik rol, prospektif doğrulama gerektirmektedir. Bağımsız hasta düzeyindeki test setinde model, her bireysel okuyucudan ve ortalamaya dayalı okuyucu performansından daha yüksek doğruluk göstermiş; sayısal olarak daha yüksek duyarlılık, özgüllük ve F1 skoru sunmuş; ancak Reader-3 en yüksek hassasiyet göstermiştir. Okuyucular yalnızca ikili kararlar verdiği için insan okuyucular için AUC hesaplanmamış ve doğrudan karşılaştırma için kullanılmamıştır. Vaka düzeyindeki hata analizi, model ile insan okuyucular arasında potansiyel tamamlayıcılığa işaret etmektedir; çünkü bazı okuyucular tarafından yanlış sınıflandırılan vakalar model tarafından doğru sınıflandırılırken, bazı zor vakalar her iki taraf tarafından da kaçırılmıştır. Ayrıca, endometriozis ile ilişkili bazı ultrasonic bulguların sınırlı tekrarlanabilirliği göz önüne alındığında, yorumlayıcı öznelliği azaltmaya yönelik potansiyel bir araç olarak standartlaştırılmış olasılık çıktıları ve dikkat görselleştirmeleri önerilmektedir (). Bununla birlikte, okuyucular yalnızca statik görüntüleri değerlendirmiş; oysa rutin klinik değerlendirme ayrıca dinamik ultrason görüntülemeyi ve klinik bilgiyi de içermektedir. Bu nedenle karşılaştırma, gerçek dünyadaki tanı performansını tam olarak yansıtmamış olabilir. Modelin klinik değere katkısını ve tutarlılık, doğruluk ve iş akışı verimliliği üzerindeki etkisini ortaya koymak için prospektif okuyucu-AE etkileşim çalışmaları gerekmektedir.

Kanıt kavramı olarak bu çalışma, yeni bir metodolojik çerçeveyi doğrulamak için tek merkezli, sınırlı örneklem veri setini kullandı. Başlangıç teknik doğrulaması için uygun olsa da, bu tasarım doğası gereği genelleyebilirliliği sınırlar. Yüksek hariç tutma oranı (%51,0) bulguların optimal olmayan ultrason görüntüleri veya eşlik eden rahim patolojilerine sahip hastalara uygulanabilirliğini daha da sınırlayabilir. Bu nedenle mevcut bulgular ön çalışmalar olarak yorumlanmalıdır. Ayrıca eğitim stratejilerine dair yaptığımız incelemeler, geleneksel veri artırmanın artırmadan yapılan eğitimle karşılaştırıldığında ancak mütevazı bir iyileşme sağladığını gösterdi; bu da ultrasona özgü artırmanın görüntü özelliklerine göre dikkatli biçimde tasarlanması gerektiğini işaret ediyor. Bu bulgular, sınırlı örneklem koşullarında yalnızca veri artırma veya kayıp fonksiyonu ayarının, kısıtlı veri ölçeği ve çeşitliliğini telafi etmek için yeterli olmadığını gösteriyor. Üstelik yalnızca görüntüye dayanan güncel model, klinik değişkenleri dışarıda bırakarak kapsamlılığı sınırlar, ancak aynı zamanda yalnızca görüntü özelliklerinin katkısını değerlendirmek için kontrollü bir temel sağlar.

Bu sınırlamaları aşmak ve klinik çeviriyi kolaylaştırmak için daha fazla doğrulamaya ihtiyaç vardır. İlk olarak model, çok merkezli dış doğrulamaya ihtiyaç duyar. Çeşitli kurumlar ve ultrason platformlarından elde edilen veri setleriyle prospektif değerlendirme, genelleyebilirliliğin daha sıkı biçimde değerlendirilmesini sağlar. Bu özellikle önemlidir çünkü ultrason tarayıcıları arasındaki farklar, edinim protokolleri, görüntü aktarım işlemleri ve operatör deneyimi görüntü görünümünü değiştirebilir ve model sağlamlığını etkileyebilir. Dolayısıyla bu değişkenlik kaynakları boyunca değerlendirme, standart edinim ve raporlama işlemleriyle birlikte model performansının tekrarlanabilir olup olmadığını belirlemek için gerekli olacaktır. Son olarak, gelecekteki çalışmalar, klinik alımlılığı artırmak için görüntü özellikleriyle birlikte hormonal durum ve semptom profilleri gibi ilgili klinik parametreleri de dahil etmelidir. Böyle bir bütünleştirme, tek başına bir görüntü sınıflandırıcısından, daha fazla klinik bilgiyle desteklenen bir karar destek çerçevesine geçişi kolaylaştıracaktır.

5 Sonuç

Bu çalışma, radyomik tabanlı makine öğrenmesi modellerini DL yaklaşımlarıyla birlikte değerlendirmiş ve transvajinal ultrasonda (TVUS) uterin adenomiyom ile uterin miyom arasındaki otomatik ayrımı için bir ResNet-50-CAFM mimarisi önermiştir. Bağımsız hasta düzeyindeki test setinde, önerilen model sayısal olarak temel CNN ve radyomik modellere göre daha yüksek performans tahminleri göstermiş ve preoperatif ultrason değerlendirmesi için bir karar destek aracı olarak potansiyelini desteklemiştir.

Açıklamalar

Veri erişilebilirliği açıklaması

Bu çalışmada analiz edilen veriler aşağıdaki lisans/kısıtlamalar’a tabidir: Veri seti retrospektif hasta ultrason görüntülemesini ve ilgili klinik verileri içermekte olup, hasta gizliliği ve kurumsal kısıtlamalar nedeniyle halka açık değildir. İlgili kurumuň onayı ve etik gereklilikleri şartıyla, erişim makaledeki karşılıklı yazar tarafından makul talep üzerine sağlanabilir. Bu veri setlerine erişim talepleri Jianqing Wang’a, wjq@zcmu.edu.cn adresine yönlendirilmelidir.

Etik açıklaması

İnsanlar içeren çalışmalar, Zhejiang Üniversitesi Tıp Fakültesi’ne bağlı Sir Run Run Shaw Hastanesi Kurumsal İnceleme Kurulu tarafından onaylanmıştır. Çalışmalar yerel mevzuat ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Etik kurumu/kurumsal inceleme kurulu, bu retrospektif çalışmanın önceden mevcut, kimliği kaldırılmış ultrason görüntüleri ve klinik verileri kullandığını ve hastalarla ek bir müdahale veya doğrudan temas içermediği için katılımcılardan veya katılımcıların yasal veli/akrabalarından yazılı aydınlatılmış onay gerekliliğini düşmüştür.

Yazar katkıları

JQW: Kavramlaştırma, Fon sağlama, Proje yönetimi, İnceleme ve düzenleme. QL: Veri düzenleme, Araştırma, Kaynaklar, Orijinal taslak. ZZ: Yazılım, Görselleştirme, İnceleme ve düzenleme. PS: Kavramlaştırma, Yöntem, Orijinal taslak, İnceleme ve düzenleme. JMW: Biçimsel analiz, Yöntem, Proje yönetimi, Orijinal taslak. LY: Kavramlaştırma, Fon sağlama, Proje yönetimi, İnceleme ve düzenleme. XL: Kavramlaştırma, Kaynaklar, İnceleme ve düzenleme.

Fon

Bu çalışma, Zhejiang Eyaleti Geleneksel Çin Tıbbı Bilim ve Teknoloji Projesi (Beyan no: 2025ZL259), Zhejiang Eyaleti Eğitim Bakanlığı Bilimsel Araştırma Projesi (Beyan no: Y202454773) ve Zhejiang Eyaleti “Öncü” ile “Önder Kuzu” Araştırma ve Geliştirme Programı (Beyan no: 2024C3173) tarafından desteklenmiştir.

Çıkar çatışması

Yazar(lar), bu çalışmanın ticari veya finansal, potansiyel bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ilişki olmadan yürütüldüğünü beyan etmiştir.

Üretken yapay zeka beyanı

Yazar(lar), bu metnin oluşturulmasında üretken yapay zekanın kullanılmadığını beyan etmiştir.

Bu makaledeki figürlerle birlikte sağlanan alternatif metinler (alt text) Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların incelemesini de içeren makul çabalarla doğruluğunun sağlanması için uğraş verilmiştir. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.

Yayıncı notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini mutlaka yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

Ekleme materiali

Bu makalenin Ekleme Materiali çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fmed.2026.1918669/full#supplementary-material

• 1.

  AnteroMFAyhanASegarsJShihI. Adenomyozisin patolojisi ve patogenezi. Semin Reprod Med. (2020) 38:108–18. 10.1055/s-0040-1718922

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 2.

  OrazovMRNosenkoENRadzinskyVEKhamoshinaMBLebedevaMGSounovMA. Adenomyosis’a bağlı kronik pelvik ağrıda proanjiyogenik özellikler. Gynecol Endocrinol. (2016) 32:7–10. 10.1080/09513590.2016.1232902

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 3.

  KhoKAChenJSHalvorsonLM. Adenomyosis tanısı, değerlendirmesi ve tedavisi. Jama. (2021) 326:177–8. 10.1001/jama.2020.26436

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 4.

  PericHFraserIS. Adenomyosisın semptomatolojisi. Best Pract Res Clin Obstet Gynaecol. (2006) 20:547–55. 10.1016/j.bpobgyn.2006.01.006

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 5.

  GordtsSGrimbizisGCampoR. Rahim adenomyosisının belirtileri ve sınıflandırması, tanıda histeroskopiın yeri dahilinde. Fertil Steril. (2018) 109:380–8. 10.1016/j.fertnstert.2018.01.006

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 6.

  TellumTNygaardSSkovholtEKQvigstadELiengM. Adenomyosis tanısı için klinik bir tahmin modelinin geliştirilmesi. Fertil Steril. (2018) 110:957–64. 10.1016/j.fertnstert.2018.06.009

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 7.

  Vannuccini S, Luisi S, Tosti C, Sorbi F, Petraglia F. Uterin adenomiyozisin yönetiminde medikal tedavinin rolü. Fertil Sterl. (2018) 109:398–405. 10.1016/j.fertnstert.2018.01.013

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 8.

  Jain S, Kumar K, Shukla R, Jain M. Uterin adenomiyosis’in tanısal tanısında transvajinal sonografi ve manyetik rezonans görüntülemenin rolü ve histopatoloji ile korelasyonu. J Midlife Health. (2023) 14:34–41. 10.4103/jmh.jmh_230_22

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 9.

  Brandão A, Oliveira B, Ferreira IA, G. Matteoni-Athayde L, Torres LR, Belém L ve ark. Tipik ve atipik adenomiyozisin görüntüleme spektrumu. RadioGraphics. (2025) 45:e240152. 10.1148/rg.240152

  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 10.

  Raffone A, Raimondo D, Neola D, Travaglino A, Giorgi M, Lazzeri L ve ark. Uterin miyomlar ve sarkomlar arasındaki tanısal ayırıcı tanıda MR’ın tanısal doğruluğu: sistematik derleme ve meta-analiz. Int J Gynaecol Obstet. (2024) 165:22–33. 10.1002/ijgo.15136

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 11.

  Krentel H, Keckstein J, Füger T, Hornung D, Theben J, Salehin D ve ark. İki boyutlu transvajinal ultrasonografide adenomiyosis’i öngörmede ultrason bulgularının doğruluğu: prospektif çok merkezli çalışma. Ultrasound Obstet Gynecol. (2023) 62:739–46. 10.1002/uog.26197

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 12.

  Valdés-Bango, M., Rodríguez, I., Cazaña, M., Rius, M. G., Gracia, M., Martínez-Zamora, M., et al. İç ve dış adenomiyozis fenotipleri: ultrason bulguları ve klinik sonuçlarla ilişkisi. Hum Reprod. (2024) 39:deae105–1480. 10.1093/humrep/deae105

  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 13.

  Chapron, C., Vannuccini, S., Santulli, P., Abrão, M. S., Monroya, F., Fraser, I. S., et al. Adenomiyozis tanısı: entegre klinik ve görüntüleme yaklaşımı. Hum Reprod Update. (2020) 26:392–411. 10.1093/humupd/dmz049

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 14.

  Chen, T., Xu, Y., Xu, X., Wang, J., Qiu, Z., Yu, Y., et al. Tek hücreli RNA dizileme ve alan transkriptomisinin entegrasyonu ile çözülen insan adenomiyozisinin kapsamlı transkriptomik atlası. Protein Cell. (2024) 15:530–46. 10.1093/procel/pwae012

  • Pubmed Özeti
  • CrossRef
  • Google Scholar

• 15.

  Munro, M. G. Rahim polipleri, adenomiyozis, miyomlar ve endometrial reseptivite. Fertil Steril. (2019) 111:629–40. 10.1016/j.fertnstert.2019.02.008

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 16.

  Can, F., Eyupoglu, C. Fmsnet: özellik haritası paylaşımıyla çoklu stereo görüntü sınıflandırması için çoklu akışlı bir CNN. Ieee Access. (2024) 12:105566–72. 10.1109/ACCESS.2024.3436592

  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 17.

  Berezsky, O., Liashchynskyi, P., Pitsun, O., Izonin, I. Biomedikal görüntü sınıflandırması için evrimsel ağ mimarilerinin sentezi. Biomed Signal Process Control. (2024) 95:106325. 10.1016/j.bspc.2024.106325

  • CrossRef
  • Google Scholar

• 18.

  YousifMAl-KhateebBGarcia-ZapirainB. X-ray görüntülerinin sınıflandırılması için yeni kuantum devreleri ile kuantum evrişimli sinir ağı. Ieee Access. (2024) 12:65660–71. 10.1109/ACCESS.2024.3396411

  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 19.

  JiaYDongLJiaoY. Kontur işleme dikkat mekanizması tabanlı tıbbi görüntü sınıflandırması. Comput Biol Med. (2025) 191:110102. 10.1016/j.compbiomed.2025.110102

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 20.

  MahmudTBaruaKHabibaSUSharmenNHossainMSAnderssonK. Derin aktarma öğrenimi kullanarak Alzheimer tanısi için açıklanabilir bir yapay zeka modeli. Diagnostics (Basel). (2024) 14:345. 10.3390/diagnostics14030345

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 21.

  ChenBXiangHWanJBilalMXuX. Viresgf-net: sağlam fundus görüntüsü çoklu sınıflandırma için kapalı çok ölçekli hibrit görme dönüştürücüsü. IEEE J Biomed Health Inform. (2025) 30:8064–74. 10.1109/JBHI.2025.3626864

  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 22.

  HeQYangQXieM. Hctnet: meme ultrasesi görüntüsü segmentasyonu için hibrit cnn-dönüştürücü ağ. Comput Biol Med. (2023) 155:106629. 10.1016/j.compbiomed.2023.106629

  • Pubmed Özeti
  • CrossRef
  • Google Scholar

• 23.

  XiaoCZhuAXiaCQiuZLiuYZhaoC ve ark. Klinik ve ultrasesi görüntüleri kullanarak cilt lezyon tanısi için özellik yeniden inşası ile yönlendirilen dikkat. IEEE Trans Med Imaging. (2025) 44:543–55. 10.1109/TMI.2024.3450682

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı gör

• 24.

  Canis, Grémeau, Bourdel, N. Adenomyozis: Kaybolan bir hastalık yapay zeka yaklaşımlarının klinik yönetimimizi yeniden düzenlemesine olanak tanıyan uluslararası bir sınıflandırma sistemi için çağrı. Fertil Steril. (2018) 110:1039–40. 10.1016/j.fertnstert.2018.08.008

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 25.

  Raimondo, Raffone, Aru, A, Giorgi, M, Giaquinto, I, Spagnolo, E ve ark. Derin öğrenme modelinin rahim adenomyozisinin ultrasonografik tanısında uygulanması. Int J Environ Res Public Health. (2023) 20:1724. 10.3390/ijerph20031724

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 26.

  Hu, J, Shen, L, Albanie, S, Sun, G, Wu, E. Squeeze-and-excitation ağları. Ieee Trans Pattern Anal Mach Intell. (2020) 42:2011–23. 10.1109/TPAMI.2019.2913372

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 27.

  Wang, Q, Wu, B, Zhu, P, Li, P, Zuo, W, Hu, Q. Eca-net: derin evrişimli sinirsel ağlar için etkili kanal dikkati. In: IEEE/CVF Bilgisayar Görüntüleme ve Örüntü Tanıma Konferansı Bildirileri (2020).

  • Google Scholar
  • View reference in article

• 28.

  Woo, S, Park, J, Lee, J, Kweon, I. CBAM: Evrişimli blok dikkati modülü (2018).

  • Google Scholar
  • View reference in article

• 29.

  Lundberg, SM, Lee, S-I. Model tahminlerini yorumlamak için birleştirilmiş bir yaklaşım. Adv Neural Inf Process Syst. (2017) 30:4766–75.

  • Google Scholar
  • View reference in article

• 30.

  Pesapane, F, Rotili, A, Penco, S, Dominelli, V, Priolo, F, Marinucci, I ve ark. Mammografide açıklanabilir yapay zeka: Yöntemlerin, değerlendirme uygulamalarının ve klinik hazırlığın sistematik derlemesi. Diagnostics. (2026) 16:1412. 10.3390/diagnostics16091412

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 31.

  Hettikankanamage N, Shafiabady N, Chatteur F, Wu R, Xu D, Din F, Zhou J. Açıklanabilir yapay zeka (xai): siyah kutu modellerinin ortaya çıkarılması ve biomedikal görüntüleme ile algılamadaki önemi üzerine sistematik derleme. Sensors. (2025) 25:6649. 10.3390/s25216649

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 32.

  Selvaraju RR, Cogswell M, Das A, Vedantam R, Parikh D,atra D. Grad-cam: gradyan tabanlı konumlandırma aracılığıyla derin ağlardan görsel açıklamalar. Int J Comput Vis. (2020) 128:336–59. 10.1007/s11263-019-01228-7

  • CrossRef
  • Google Scholar
  • View reference in article

• 33.

  Skliarov M, Shawi R, Daoui C, Ahmed N. Görüntü verileri için açıklanabilirlik tekniklerinin karşılaştırmalı değerlendirmesi. Sci Rep. (2025) 15:41898. 10.1038/s41598-025-25839-y

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 34.

  Radak M, Lafta H, Fallahi H. Meme kanseri tanısı ve sınıflandırması için makine öğrenmesi ve derin öğrenme teknikleri: tıbbi görüntüleme çalışmalarının kapsamlı derlemesi. J Cancer Res Clin Oncol. (2023) 149:10473–91. 10.1007/s00432-023-04956-z

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 35.

  Zhao Q, Yang T, Xu C, Hu J, Shuai Y, Zou H, ve diğerleri. Derin sinir ağları ile görüntüleme çalışmalarında meme kanseri tanısı ve sınıflandırması için makine öğrenmesi ve derin öğrenme teknikleri: tıbbi görüntüleme çalışmalarının kapsamlı derlemesi. Eur J Obstet Gynecol Reprod Biol. (2024) 301:128–34. 10.1016/j.ejogrb.2024.07.046

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 36.

  Wu Q, Deng Y, Chen L, Li X, Qiu L, Min W, ve diğerleri. Ultrason radyomik ve makine öğrenmesine dayalı model ile rahim miyomları ve adenomomları ayırt etmek için. J Ultrasound Med. (2026) 45:1967–81. 10.1002/jum.70253

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 37.

  Săsăran V, Turdean S, Gliga M, Ilyes L, Grama O, Muntean M et al. Deformasyon oranı elastografinin uterin miyom ve adenominozun tanısı ve ayrımındaki değeri. J Pers Med. (2021) 11:824. 10.3390/jpm11080824

  • CrossRef
  • Google Scholar
  • Referansı makalede gör

• 38.

  Kadam N, Khalid S, Jayaprakasan K. Uterin adenominozun revize Musa konsensüsü ile tanımlanan ultrasonografik bulguları ne kadar tekrarlanabilir? J Clin Med. (2025) 14:456. 10.3390/jcm14020456

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Referansı makalede gör

Özet

Anhtar kelimeler

derin öğrenme, ayırıcı tanı, radyomik, transvajinal ultrason, uterin adenomyoma, uterin miyom

Başvuru

Sheng P, Wang J, Lu Q, Zeng Z, Lai X, Yang L ve Wang J (2026) Transvajinal ultrason üzerinde operasyon öncesi uterin adenomyoma ve uterin miyom ayrımı için derin öğrenme modeli. Front. Med. 13:1918669. doi: 10.3389/fmed.2026.1918669

Cep edildi

24 Haziran 2026

Güncellendi

22 Ekim 2026

Kabul edildi

26 Ekim 2026

Yayınlandı

12 Kasım 2026

Cilt

13 – 2026

Jiehui Jiang, Shanghai Üniversitesi, Çin

Francesco Giuseppe Martire, Tor Vergata Roma Üniversitesi, İtalya

Deepak Kumar A., St. Joseph Teknoloji Enstitüsü, Hindistan

© 2026 Sheng, Wang, Lu, Zeng, Lai, Yang ve Wang.

Bu açık erişimli makale, Creative Commons Atıf Lisansı (CC BY) koşulları altında dağıtılmaktadır. Orijinal yazar(lar)ın ve telif hakkı sahib(lar)ının belirtilmesi ve kabul edilen akademik uygulamalar doğrultusunda bu dergideki orijinal yayının atıf edilmesi şartıyla, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.

*İletişim: Liming Yang yangliming@zju.edu.cn; Jianqing Wang wjq@zcmu.edu.cn

†
Bu yazarlar bu çalışmaya eşit katkıda bulunmuştur

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini zorunlu olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.