La Trobe Üniversitesi’nin geliştirip doğruladığı yapay zeka, evre II bağırsak kanserinde nüks riskini daha erken öngörmeyi hedefliyor

La Trobe Üniversitesi’nden araştırmacılar, evre II bağırsak (kolorektal) kanserinde hastaların nüks riskini daha isabetli biçimde tahmin etmeye yönelik yeni bir yapay zeka yaklaşımı geliştirdi. Sistem, patolojinin rutin olarak ürettiği materyalleri kullanarak, hangi hastaların daha yüksek oranda hastalık tekrarı yaşayabileceğini sayısal olarak öngörmeyi amaçlıyor. Bu tür bir risk tabakalaştırması, klinisyenlerin tedavi kararlarını zamanında şekillendirmesine ve olası nüksü daha erken hedeflemesine yardımcı olabilecek bir araç olarak değerlendiriliyor.

Çalışmanın merkezinde SÉMIL (Semantically-Enhanced Multiple Instance Learning) adı verilen model yer alıyor. Geleneksel yaklaşımlarda prognoz tahmini çoğu zaman yeni biyobelirteç arayışlarına veya ek doku örneklemeye dayanabiliyor. SÉMIL ise yeni bir biyobelirteç veya ek örnekleme gerektirmek yerine, mevcut patoloji iş akışında zaten bulunan iki veri kaynağını bir araya getiriyor: tümör dokusunu gösteren dijital slayt görüntüleri ve bu görüntülere eşlik eden metin açıklamaları. Model, “semantik” entegrasyon sayesinde hem görüntüdeki tümör özelliklerini hem de klinik bağlama işaret eden yazılı ifadeleri birlikte yorumlayarak daha zengin bir prognostik sinyal çıkarmayı hedefliyor.

Bu yaklaşımın tıbbi gerekçesi, patolojide kullanılan raporlamanın yalnızca görüntülerden ibaret olmaması. Patologların değerlendirmeleri, invazyon alanları, tümörün mikroskobik yerleşimi ve diğer gözlemsel özellikler gibi bilgileri hem görsel hem de rapor metni üzerinden aktarır. SÉMIL, bir “görüntü yığını” mantığıyla farklı bölgelerden elde edilen örnekleri birden fazla parça halinde değerlendirip, ayrıca patoloji metnindeki anlatımı da modele dahil ederek evre II hastalarda nüks olasılığıyla ilişkilendirilebilecek desenleri öğreniyor.

Geliştirilen modelin test edilmesi için araştırmacılar, birden fazla patoloji örneğini kapsayan geniş bir veri seti kullandı. Çalışmada 1.600’ün üzerinde patoloji slaytı analiz edildi ve model, evre II tanılı toplam 1.220 hasta üzerinde doğrulandı. Bu doğrulama tasarımı, algoritmanın yalnızca eğitim verisi üzerinde değil, bağımsız bir hasta grubunda da performansını değerlendirmeyi hedefleyen çok aşamalı bir yaklaşımın parçası olarak sunuluyor. Bulguların hakemli bir dergide yayımlandığı belirtiliyor; Gastroenterology’de yer alan çalışma, dijital patoloji ve derin öğrenme tabanlı risk tahmininin klinik karar desteğine nasıl entegre edilebileceği konusunda güncel bir örnek oluşturuyor.

Daha önceki çalışmalar genel olarak, biyobelirteç ya da ek invaziv örnekleme gerektirmeden klinik risk tahminini iyileştirme ihtiyacını vurguluyor. Bu çerçevede SÉMIL’in “rutin materyalden” prognostik bilgi çıkarması, pratik uygulanabilirlik açısından dikkat çekiyor. Bununla birlikte araştırmaların erken aşamada bir teknolojiyi temsil ettiği ve gerçek klinik kullanımın, farklı merkezlerden veriyle yeniden doğrulama, veri standardizasyonu ve prospektif klinik değerlendirme gibi ek adımları gerektirebileceği de önemle belirtilmeli. Nüks riskini öngörmek, tedavi seçimini tek başına belirleyen bir kriter olmaktan ziyade, mevcut klinik göstergelerle birlikte ele alındığında anlamlı olabilir.

Yine de evre II kolorektal kanserde nüks riskini daha ince tabakalara ayırma fikri, klinisyenlerin hangi hastaların daha yoğun takip veya ek tedavi değerlendirmesinden fayda görebileceğini belirleme hedefiyle doğrudan örtüşüyor. La Trobe Üniversitesi ekibinin çalışması, dijital slayt görüntüleriyle patoloji metnini aynı anda yorumlayabilen semantik bir derin öğrenme yaklaşımının, prognoz tahminini geliştirme potansiyeline işaret ediyor.

Kaynak bağlantısı: https://scienmag.com/ai-predicts-bowel-cancer-relapse-risk-with-improved-accuracy/