Yapay Zekâ, Prostat Kanserinde Işın Dozunu Tedavi Öncesi Tahmin Edebiliyor

Metastatik kastrasyona dirençli prostat kanseri (mCRPC) için geliştirilen bir araştırma, nükleer tıpta tedavi planlamasını dönüştürebilecek yeni bir yaklaşımı gündeme taşıdı. İngiltere’de University Hospital Southampton ve University of Southampton’dan Dr. Amit Nautiyal ile çalışma arkadaşları, ¹⁷⁷Lu-PSMA radyo-farmasötik tedavisi sırasında tümörlerin ve hayati organların alacağı radyasyon dozunu, tedaviye başlamadan önce tahmin edebilen bir makine öğrenmesi modeli geliştirdi. Modelin en dikkat çekici yönü, bu öngörüyü tedavi öncesi ¹⁸F-PSMA PET/CT görüntülerinden elde edilen verilerle yapabilmesi.

Bu gelişme, özellikle ileri evre prostat kanserinde kişiselleştirilmiş tedavi planlamasına yönelik artan ihtiyacın bir yansıması olarak görülüyor. ¹⁷⁷Lu-PSMA tedavisi, prostat kanseri hücrelerinde sıkça hedeflenen PSMA proteinine bağlanan radyoaktif bir bileşik kullanıyor. Tedavi, tümöre seçici olarak radyasyon ulaştırmayı amaçlarken, aynı zamanda tükürük bezleri, böbrekler ve kemik iliği gibi kritik dokuların maruziyeti de klinik açıdan önem taşıyor. Bu nedenle dozimetri, yani emilen radyasyon dozunun hassas biçimde ölçülmesi, etkinlik ve güvenlik dengesini kurmak açısından temel bir araç kabul ediliyor.

Ancak dozimetri uygulamada çoğunlukla tedavi sonrası görüntülemeye dayanıyor. Bu yöntem, hem zaman alıcı hem de emek yoğun bir süreç gerektiriyor. Birden fazla görüntüleme oturumu, veri işleme basamakları ve uzman değerlendirmesi, klinik iş akışını zorlaştırabiliyor. Araştırmacılar, tedavi öncesinde elde edilen ve birçok merkezde daha yaygın bulunan ¹⁸F-PSMA PET/CT görüntülerinden yararlanarak bu yükü azaltabilecek bir çözüm geliştirmeyi hedefledi. Eğer böyle bir model güvenilir biçimde çalışırsa, hastaya özel doz tahmini tedavi başlamadan önce yapılabilecek ve böylece planlama süreci daha hızlı ilerleyebilecek.

Çalışmada kullanılan yaklaşım yalnızca standart görüntüleme ölçümlerine dayanmadı. Model, PET tutulum metriklerini, radiomics adı verilen ve görüntülerin sayısal doku örüntülerini yakalayan özellikleri ve klinik biyobelirteçleri bir araya getiren çok parametreli bir çerçeveye dayandırıldı. Radiomics, bir görüntüde insan gözünün ayırt etmekte zorlanabileceği ayrıntıları sayısal olarak çözümleyerek tümör biyolojisine dair ek ipuçları sağlayabiliyor. Bu tür verilerin makine öğrenmesiyle birleştirilmesi, yalnızca tek bir görüntü ölçümüne göre daha zengin bir tahmin altyapısı sunuyor.

Araştırma ekibi, karışık etkiler modellemesi içeren gelişmiş bir makine öğrenmesi düzeni kullandı. Bu tür modeller, hasta grupları arasındaki değişkenlik ile bireysel farklılıkları aynı çatı altında değerlendirebildiği için tıbbi verilerde önemli avantaj sağlayabiliyor. Özellikle radyasyon dozunun kişiden kişiye büyük farklılıklar gösterebildiği durumlarda, standart bir yaklaşım yerine veri odaklı ve hasta özelinde çalışan sistemler daha anlamlı sonuçlar verebiliyor. Çalışmanın hedefi de tam olarak buydu: tedavi öncesi görüntü ve klinik verileri kullanarak, tümörün ve kritik organların hangi dozları alabileceğine dair daha öngörülü bir çerçeve oluşturmak.

Bu yaklaşımın klinik değeri, yalnızca teknik bir yenilik olmasından ibaret değil. Doz tahmininin tedavi öncesinde yapılabilmesi, hekimlerin olası toksisite risklerini daha erken değerlendirmesine yardımcı olabilir. Aynı zamanda, bazı hastalarda tedavi yoğunluğunun dikkatle ayarlanması, bazı hastalarda ise yeterli tümör maruziyetini sağlamak için stratejinin yeniden düşünülmesi mümkün olabilir. Bununla birlikte araştırmacılar, bu tür modellerin doğrudan rutin kullanıma geçmeden önce farklı hasta gruplarında doğrulanması gerektiğinin de altını çizmeye devam ediyor. Erken aşama yapay zekâ tabanlı tahmin sistemlerinde olduğu gibi, performansın merkezler arası tutarlılığı ve gerçek yaşam verilerindeki güvenilirliği kritik önem taşıyor.

Uzmanlar açısından en önemli noktalardan biri de ¹⁸F-PSMA PET/CT’nin görece erişilebilir bir görüntüleme yöntemi olması. Tedavi öncesi basamakta daha yaygın kullanılan bir testten yararlanmak, ileri dozimetri tahminini daha uygulanabilir hale getirebilir. Böylece nükleer tıp bölümlerinde yoğun teknik işlem ihtiyacını azaltan, fakat klinik karar desteği sunan yeni bir araç doğabilir. Özellikle prostat kanseri tedavisinde hedefe yönelik radyoligand yaklaşımlarının artmasıyla birlikte, bu tür hesaplamalı modellerin rolünün genişlemesi bekleniyor.

Yine de çalışma, “hazır bir klinik çözüm” olarak değil, doğrulama sürecindeki umut verici bir yöntem olarak değerlendirilmelidir. Makine öğrenmesi modellerinin tıbbi uygulamalarda güçlü olabilmesi için yeterli veri çeşitliliği, bağımsız test kümeleri ve prospektif değerlendirmeler gerekir. Buna rağmen bu araştırma, görüntüleme temelli dosimetrinin tedavi sonrasında yapılan zahmetli bir ölçüm olmaktan çıkıp tedavi öncesinde öngörülebilir bir planlama aracına dönüşebileceğini gösteren önemli bir adım niteliğinde.

SNMMI 2026 yıllık toplantısında sunulan bu çalışma, yapay zekânın onkoloji pratiğinde nasıl daha işlevsel hale gelebileceğine dair yeni bir örnek sunuyor. İleri prostat kanserinde kişiselleştirilmiş tedaviye yönelik arayış sürerken, tedavi öncesi doz tahmini sağlayan bu tür modellerin, hem klinik iş akışını sadeleştirme hem de hastaya uygun radyasyon stratejileri geliştirme açısından dikkatle izleneceği anlaşılıyor.