AI Destekli Immün Hücre Analizi ile İleri Melanomda Sağkalım Tahmini

İleri evre melanomada sağkalım tahminlerinde devrim: Yapay zeka destekli tümör içi bağışıklık yapılarının otomatik tespiti

Melanom, cilt kanserleri arasında en agresif türlerden biri olarak bilinirken, ileri evre hastalarda tedavi ve sağkalım tahmininde yeni yöntemlere olan ihtiyaç her geçen gün artmaktadır. Son dönemde ECOG-ACRIN Kanser Araştırma Grubu’ndan araştırmacılar, yapay zeka teknolojilerini kullanarak melanom hastalarının tümör içindeki üçlü lenfoid yapılarının (tertiary lymphoid structures – TLS) tespitini otomatikleştiren yenilikçi bir yaklaşım geliştirmiştir. Bu gelişme, TLS’nin hastaların sağkalımına olan olumlu etkisini doğrularken, geleneksel patoloji yöntemlerinden kaynaklanan insan faktörü kaynaklı hataları minimize etmekte ve analiz süreçlerini hızlandırmaktadır.

Tümör mikroçevresinde bulunan TLS, kronik inflamasyon ve neoplastik süreçlere yanıt olarak ortaya çıkan özel bağışıklık hücresi kümeleri olarak tanımlanır. Bu yapılarda T hücreleri, B hücreleri ve dendritik hücreler bir arada bulunmaktadır ve hastaların bağışıklık sistemi yanıtında kritik roller üstlenir. Çeşitli kanser tiplerinde TLS varlığının hasta sağkalımını iyileştirdiği gösterilmesine rağmen, patoloji laboratuvarlarında TLS tespiti oldukça zorlu ve subjektif bir süreç olarak kalmaya devam etmiştir. ECOG-ACRIN ekibi, bu sorunu “HookNet-TLS” isimli derin öğrenme tabanlı algoritma ve Gigapth Foundation Model’leri entegre ederek çözümlemiştir.

Araştırmada retrospektif olarak 376 yüksek riskli ileri evre melanom hastasının hematoksilin-eozin (H&E) ile boyanmış dijital histolojik kesitleri analiz edilmiştir. Elde edilen veriler RNA dizileme sonuçlarıyla birleştirilerek, TLS varlığının hasta sağkalımına etkisi moleküler düzeyde desteklenmiştir. Bu hasta grubunun bir kısmı, immün kontrol noktası inhibitörleri ve sitokin tedavilerinin karşılaştırıldığı E1609 klinik çalışmasına dahil olmuş kişilerdir. Çalışmada TLS pozitif olan hastalarda beş yıllık genel sağkalım %36,23 olarak belirlenirken, TLS negatifler için bu oran %29,59 idi. Ayrıca, birden fazla TLS bulunan hastalarda sağkalım oranlarının daha da yükseldiği gözlemlenmiştir.

HookNet-TLS, dijital histolojik görüntüler üzerinde TLS ve germinal merkezlerin otomatik tespiti için özel olarak geliştirilmiş açık kaynak kodlu bir yapay zeka algoritmasıdır. Derin konvolüsyonel sinir ağı mimarisine sahip bu model, yüksek çözünürlüklü tümör kesitleri üzerinde uçtan uca segmentasyon ve sınıflandırma yapabilmektedir. Model, ilk uygulamalarda elde edilen yüksek başarı oranlarının ardından, araştırmacılar tarafından sürekli olarak geliştirilmiş ve lokalizasyon doğruluğu artırılmıştır. Böylece TLSlerin ve germinal merkezlerin nicel olarak ölçümü mümkün hale gelmiştir.

Ekip, HookNet-TLS algoritmasını desteklemek amacıyla, Gigapth Whole-Slide Foundation Model’den elde edilen özellik çıkarım tekniklerini kullanmıştır. PCA (Başlıca Bileşen Analizi) yöntemleriyle H&E görüntü mozaikleri üzerinde temel morfolojik varyasyonları yakalayan bu model, TLS tanımındaki hassasiyeti artırmaktadır. Gigapth tarafından oluşturulan erken PCA görselleştirmeleri, algoritmanın gelişmiş doğruluk ve işlevselliğini göstermektedir ancak modelin klinik kullanıma tam entegrasyonu için halen validasyon ve ince ayar çalışmaları devam etmektedir.

Bu yaklaşımla klinik pratiğe entegrasyon hedeflenmektedir; düşük maliyetli ve yaygın olarak mevcut olan H&E klasik boyama yöntemi kullanılarak otomatik TLS tespiti yapılabilmektedir. Bu geliştirme, patoloji sektöründe subjektif yorumlardan kaynaklanan hata payını azaltarak, değerlendirmelerin standardizasyonunu sağlar. Ayrıca TLS varlığına göre prognoz tahmini AJCC (American Joint Committee on Cancer) evreleme sistemiyle daha uyumlu hale gelebilir, böylece immünoterapi yönetiminde hastaların daha bilinçli ve kişiselleştirilmiş şekilde yönlendirilmesi mümkün olur.

NCI (National Cancer Institute) tarafından desteklenen bu çalışma, biyomedikal görüntüleme, makine öğrenmesi ve moleküler onkolojiyi bir araya getirerek kanser araştırmalarında yapay zekanın dönüştürücü gücünü ortaya koymaktadır. Kritik bağışıklık mikroçevresi bileşenlerini hızlı ve tekrarlanabilir biçimde ölçme imkânı, TLS gibi biyobelirteçlerin tanı ve tedavi algoritmalarına entegrasyonunu hızlandırmaktadır. Böylece ileri melanom hastalarında hedefe yönelik tedavi yaklaşımları daha etkili hale gelecektir.

Moffitt Kanser Merkezi’nden baş araştırmacı Prof. Dr. Ahmad A. Tarhini, “Açık erişimli yapay zeka araçlarının sağkalım tahmini ve immünoterapi yanıtının değerlendirilmesinde devrim yaratabileceğini; detaylı bağışıklık yapısı analizleri sunarak hassas onkoloji çağını başlatacağını” ifade etmektedir. Ortak araştırmacı Dr. Xuefeng Wang ise Gigapth gibi temel modellerin uygulama alanını genişleterek klinik analizin güvenilirliğini arttırma yönündeki potansiyeline dikkat çekmektedir.

TLS tespiti, hekim-hasta iletişiminde de önemli bir yere sahiptir; hasta prognostik değerlendirilirken immünoterapinin potansiyel faydaları hakkındaki tartışmalara somut bir veri sağlamaktadır. Yapay zeka destekli metotlar, sadece onkoloji değil, bağışıklıkla ilişkili diğer hastalıklarda da TLS’nin rolüne ilişkin görüntüleme ve analiz süreçlerini kolaylaştırarak yeni tedavi yaklaşımlarının önünü açacaktır.

Tümör mikroçevresindeki TLS yapıları, antitümör bağışıklık aktif bir merkez olarak dinamik bir rol üstlenmektedir. Önceden uzman patologların zorlu ve yorucu çalışmaları ile tespit edilen bu yapılar, AI algoritmaları sayesinde yüksek kesinlik ve tutarlılıkla analiz edilebilmektedir. Özellikle HookNet-TLS gibi modeller, iş akışındaki verimliliği ve tanı standardını artırarak hem hastalar hem de sağlık sistemleri için kritik faydalar sunmaktadır.

HookNet algoritmasının açık kaynak olarak Grand Challenge platformunda paylaşılması, bilim ve teknoloji alanında iş birliği ve şeffaflığı teşvik etmektedir. Bu sayede dünya genelinde araştırmacılar kendi veri setleri ve farklı kanser türlerinde lokal uyarlamalar yaparak algoritmanın fonksiyonlarını genişletebilmekte, biyomedikal görüntüleme alanında yeniliklerin hızla yaygınlaşması sağlanmaktadır.

Bu önemli gelişmeler, 2025 yılında Chicago’da gerçekleştirilecek Amerikan Kanser Araştırmaları Derneği (AACR) yıllık toplantısında detaylarıyla sunulacaktır. Toplantıda model performansı, klinik uygulanabilirliği ve potansiyel iş birliği fırsatları hakkında geniş katılımlı tartışmalar yürütülecektir. Sonuç olarak daha fazla yatırım ve ilgi çekmesi beklenen bu alan, patolojide yapay zeka destekli biomarker analizine yeni bir standart getirecektir.

ECOG-ACRIN ekibinin biyomedikal görüntüleme ve makine öğrenmesini entegre eden bu çalışması, melanom prognozlamasında yeni ufuklar açmakta, dijital patoloji kaynaklarının yapay zeka ile etkin kullanımını kanser tedavisinde kişiselleştirilmiş yaklaşımlara dönüştürmektedir. Bu sayede klinik sonuçların iyileştirilmesi yönündeki çabalar hız kazanmaktadır.

—

Araştırma Konusu:
Yapay zeka destekli ileri evre melanomada üçlü lenfoid yapılarının (TLS) otomatik tespiti ile sağkalım tahminlerinin iyileştirilmesi

Makale Başlığı:
Makale başlığı içerikte belirtilmemiştir.

Haberin Yayın Tarihi:
Yayın tarihi içerikte belirtilmemiştir.

Web References:
ECOG-ACRIN Kanser Araştırma Grubu: www.ecog-acrin.org
Grand Challenge platformu: https://grand-challenge.org/
HookNet-TLS algoritması: https://grand-challenge.org/algorithms/hooknet-tls/

Resim Credits:
Ahmad A. Tarhini ve çalışma ekibi

Anahtar Kelimeler:
Yapay zeka, Melanom, Görüntü analizi, Biyobelirteçler, Cilt kanseri, RNA dizileme, Tümör mikroçevresi, Üçlü lenfoid yapılar, Otomatik patoloji teknikleri, İmmünoterapi, Dijital patoloji, Kanserde bağışıklık hücre analizi