Mide Kanserinde Makine Öğrenmesi ile Yeni Teknik Gelişmeler

Son yıllarda mide kanseri, biyolojik heterojen yapısı ve sıklıkla geç evrede teşhis edilmesi sebebiyle onkoloji alanında en zorlu mücadelelerden biri olmaya devam etmektedir. Bu zorluklara karşı, BMC Cancer’da yayımlanan yenilikçi bir çalışma, makine öğrenimi tekniklerinin mide kanserinin karmaşık biyolojik yapısını çözmede dönüştürücü potansiyelini ortaya koymuştur. Araştırma, ileri algoritmalar kullanarak prognostik biyomarkırları belirleme, hastalık alt tiplerini sınıflandırma ve hastaları ölüm riski açısından gruplandırma konusunda öncü bir yaklaşım benimsemektedir. Bu sayede, kişiye özel tedavi stratejilerine ışık tutan önemli veriler ortaya konmuştur.

Çalışma, 2011-2016 yılları arasında histopatolojik olarak doğrulanmış mide kanseri tanısı almış ve cerrahi tedavi gören 140 hasta üzerinde gerçekleştirilmiştir. Araştırmacılar, kısaltılmış kısmi en küçük kareler (SIMPLS) algoritmasının esinlenmiş modifikasyonunu (SIMPLS) uygulayarak, en kritik moleküler belirteçleri ayıklamış ve bunların hasta sonuçları üzerindeki etkileşimini netleştirmiştir. SIMPLS tabanlı model, mide kanserinde mortaliteyi yüksek doğrulukla öngörebilmiş ve Q² değerleri 0,45 ile 0,70 arasında değişerek güçlü bir güvenilirlik sergilemiştir.

Analiz sonucunda öne çıkan önemli moleküler belirteçler MMP-7, P53, Ki67 ve vimentin olmuştur. MMP-7, tümör invazyonu ve metastazında rol oynayan bir matriks metalloproteinazdır. Genomun koruyucusu olarak bilinen P53, DNA hasarına karşı hücresel yanıt mekanizmalarını düzenler. Hücre proliferasyonunun kabul görmüş bir göstergesi olan Ki67 ile epitel-mezenkimal geçişi (EMT) ilişkilendirilen vimentin ise tümörün yayılımı ve kötü prognozuyla bağlantılıdır. Makine öğrenimi altyapısında bu belirteçlerin birlikte değerlendirilmesi, geleneksel istatistiksel yaklaşımların gözden kaçırabileceği karmaşık desenleri ortaya koymuştur.

Araştırma, tekil biyomarkır tanımlamanın ötesine geçerek, sağ kalan ve yaşamını yitiren hasta gruplarında farklılaşan korelasyon analizleri yaparak mide kanserinin heterojen yapısına dair yeni bulgular sunmuştur. Bu analizler, farklı prognostik profillerin ve moleküler etkileşimlerin varlığını göstermiştir. Hastaları daha iyi sınıflandırmak üzere gizli sınıf analizi (LCA) ve temel bileşen analizi (PCA) gibi gelişmiş yöntemler kullanılmış, sonuçta üç ayrı mortalite risk kümesi belirlenmiştir. Bu ayrım, klinik karar verme süreçlerinde devrim yaratabilecek niteliğe sahiptir.

Çalışma bir adım ileri giderek, karmaşık biyobelirteç verilerini erişilebilir klinik eşik değerlerine indirgemek için öngörücü bölme (predictive partition) analizini kullanmıştır. Bu yöntemle hastalık prognozunu etkileyen kritik proteinler için pratik sınırlar tanımlanmıştır. Öne çıkan değerler arasında P53 ≥6, COX-2 >2, vimentin >2 ve Ki67 ≥13 yer almış, bu eşiklerin üstündeki durumlar yüksek mortalite riski ile ilişkilendirilmiştir. Böylece, bu moleküler belirteçlerin rutin tanı süreçlerine ve risk değerlendirmesine dahil edilme yolu açılmış, tedavi planlarının niceliksel eşiklere göre kişiselleştirilmesi mümkün hale gelmiştir.

Makine öğrenimi yaklaşımı, mide kanseri TNM evrelendirmesi ve alt tip tespiti için karar ağacı modelleri geliştirmede de kullanılmıştır. Bu modeller, %80’in üzerinde özgüllük ve duyarlılığa sahip yüksek tanısal performans göstermiştir; AUC değerleri ise 0,84 ile 0,99 arasında değişerek güvenilirliği pekiştirmiştir. Bu başarı, ML tekniklerinin geleneksel histopatolojik değerlendirmeleri destekleyici olarak kullanılmasıyla, gözlemci varyabilitesinin azaltılması ve agresif hastalıkların erken saptanması yönünde önemli bir adım olarak öne çıkmaktadır.

Elde edilen bulguların klinik anlamı oldukça geniştir. Moleküler biyomarkır verilerinin ileri ML algoritmalarıyla klinik parametrelerle bir arada analiz edilmesi, mide kanseri yönetiminde kişiselleştirilmiş tıbbın kapılarını aralamaktadır. Yüksek riskli hastaların erken dönemde belirlenebilmesi, uygun zamanlama ve dozajda tedavi müdahalelerinin yapılmasını kolaylaştırarak yaşam süresini uzatabilir. Ayrıca, biyobelirteçler arasındaki ilişkilere dair elde edilen derinlemesine veriler, tümör biyolojisinin anlaşılmasını derinleştirerek yeni tedavi hedeflerini keşfetme potansiyelini artırmaktadır.

Çalışma, bu hesaplamalı modelleri klinikte kullanılabilir hale getirme vizyonu da taşımaktadır. Doğrulanmış ML modelleriyle donatılmış klinik karar destek sistemleri (CDSS), onkologlar ve patologlar için agresif mide kanseri fenotiplerini hızlıca tespit edebilen güçlü araçlar olacaktır. Bu sayede, düşük risk grubundaki hastalarda aşırı tedavilerin önüne geçilirken, yüksek riskliler gereken yoğunlukta terapilere yönlendirilebilecek, tedavi etkinliği ve güvenliği dengelenecektir.

Makine öğrenimi ile büyük ve çok boyutlu veri setlerinin işlenip klinik olarak anlamlı bilgilerin çıkarılması arasında önemli bir köprü kurulmuştur. Proteomik ve histolojik verilerin bir arada analiz edildiği bu çalışmada ileri algoritmaların entegrasyonu, gelecekte kişiye özel kanser bakımının standart bir uygulama olmasını destekleyecek nitelikte gösterilmiştir. Bu ilerleme, onkoloji alanında veri biliminin sunduğu imkanların etkin kullanımına yol açacaktır.

Araştırma, SIMPLS, LCA, PCA ve bölme analizleri gibi birbirini tamamlayan istatistiksel yöntemlerin bir arada kullanılmasıyla metodolojik açıdan da örnek teşkil etmektedir. Bu çok yönlü yaklaşım, elde edilen sonuçların güvenilirliğini ve tekrarlanabilirliğini artırarak ML araçlarının onkolojik araştırma ve uygulamalarda güvenle kullanılmasını sağlamaktadır. Böylece, gelecekte farklı merkezlerde de aynı başarıyla uygulanabilecek bir model sunulmuştur.

Veri setinin 140 hasta ile sınırlı olması ilk bakışta az gibi görünse de, uzun vadeli takip ve kapsamlı moleküler ölçümlerle ciddi bir bilgi birikimi oluşturulmuştur. Gelecekte, bu temelin büyük ve çok merkezli hasta gruplarıyla, genomik, transkriptomik ve metabolomik veriler eklenecek şekilde zenginleştirilmesi, tahmin gücünü ve biyobelirteç yelpazesini artıracak, mide kanseri için daha geniş kapsamlı modeller geliştirilmesine olanak sağlayacaktır.

Araştırmanın önemi, biyobelirteçlerin tek başına değil etkileşim halinde değerlendirilmesinin gerekliliğine vurgu yapmasında gizlidir. Kanser ilerleyişinin çok faktörlü doğası göz önüne alındığında, biyobelirteçlerin mekânsal ve zamansal dinamiklerinin makine öğrenimiyle yakalanması, tümör mikroçevresinin etkilerini ve metastaz potansiyelini yansıtan bütünsel bir bakış açısı kazandırmaktadır. Bu boyut, geleneksel tek değişkenli analizlerin ötesine geçerek tedavi yaklaşımlarını zenginleştirebilir.

Ek olarak, bölme analizi gibi yöntemlerin karmaşık biyobelirteç ilişkilerini klinik rehberlere dönüştürme potansiyeli, makine öğreniminin birleştirici gücünü göstermektedir. Belirlenen hassas eşik değerlerle soyut moleküler veriler somut, uygulanabilir parametrelere dönüştürülerek yorumlamayı kolaylaştırmakta ve klinik pratiğe geniş çapta entegrasyonunu sağlamaktadır. Bu, hem klinisyenlerin karar vermesini hızlandıracak hem de hasta bakım kalitesini artıracaktır.

Sonuç olarak, bu öncü çalışma, makine öğreniminin mide kanserinin karmaşıklığını çözmedeki rolüne önemli bir katkı sağlamıştır. Moleküler biyomarkırların gelişmiş hesaplama yöntemleriyle bütünleştirilmesi yolunda güçlü bir yol haritası sunmuş, prognozun iyileştirilmesi, alt tiplerin netleşmesi ve hastaya özgü tedavi planlamalarının yapılması sürecinde kritik bir köprü niteliği kazanmıştır. Mide kanserinin küresel yükü devam ederken, böyle yenilikçi yaklaşımlar klinik sonuçları iyileştirme ve moleküler anlayışı derinleştirme yönünde umut vadetmektedir.

—

**Araştırma Konusu**: Makine öğrenimi tekniklerinin mide kanserinde prognostik biyobelirteçlerin belirlenmesi, alt tiplerin sınıflandırılması ve mortalite riskinin stratifikasyonu için uygulanması.

**Makale Başlığı**: Exploring the potential of machine learning in gastric cancer: prognostic biomarkers, subtyping, and stratification.

**Doi Referans**: https://doi.org/10.1186/s12885-025-14204-x

**Resim Credits**: Scienmag.com

**Anahtar Kelimeler**: mide kanseri biyolojik heterojenliği, mide kanseri biyobelirteçleri, yenilikçi kanser araştırma teknikleri, geç evre mide kanseri tanısı, onkolojide makine öğrenimi, mide kanseri moleküler belirteçleri, hasta stratifikasyonu, kişiselleştirilmiş tedavi stratejileri, kanserde öngörü modelleri, mide kanseri prognozu, SIMPLS algoritması, tümör progresyon belirteçleri