Geleneksel yöntemlerle umut vadeden bir radyofarmasötik bileşiğin sentezlenmesi, hücre kültürü testleri, hayvan modelleri ve erken faz klinik denemeleri ile ilerleyen uzun bir yolculuğu gerektiriyor. Makine öğrenmesi algoritmaları ise devasa kimyasal ve biyolojik veri tabanlarını tarayarak bu süreci radikal biçimde kısaltıyor. Yapay zeka, bir molekülün hem tümör hücresine ne kadar sıkı bağlanacağını hem de vücutta nasıl bir yol izleyeceğini öngörebiliyor. Üstelik bu tahminler yalnızca mevcut bileşikleri sıralamakla kalmıyor; üretken modeller, daha kararlı ve daha etkili tamamen yeni moleküler yapılar da tasarlayabiliyor. Nükleer Tıp Fiziği alanında önde gelen uzmanlardan Dr. Sofia Michopoulou, bu yaklaşımın en değerli yanının, klinik değerlendirme aşamasına yalnızca en yüksek potansiyele sahip aday ilaçların hızlıca taşınması olduğunu vurguluyor. Böylece başarısızlıkla sonuçlanması muhtemel deneylere ayrılan zaman ve maliyet büyük ölçüde ortadan kalkıyor.

Yapay zeka destekli hesaplamalı modellerin bir başka kritik katkısı da, moleküller arası etkileşimleri atomik düzeyde simüle edebilmesidir. Radyofarmasötikler söz konusu olduğunda, radyoaktif atomun taşıyıcı moleküle tutunma şekli ve hedef hücredeki reseptöre bağlanma kinetiği, tedavinin hem etkinliğini hem de yan etki profilini belirliyor. Derin öğrenme mimarileri, bu karmaşık ilişkileri laboratuvar ortamına ihtiyaç duymadan modelleyerek araştırmacılara benzersiz bir hız avantajı sağlıyor. Örneğin, zayıf bağlanma gösteren bir adayın yapısı üzerinde sanal ortamda değişiklikler yapılarak, tümör dokusundaki kalış süresi uzatılabiliyor. Bu sayede hasta üzerinde denemeden önce binlerce varyant in silico taranabiliyor.

İlacın keşfinden sonraki en hayati adım ise hastaya ne kadar doz verileceğinin belirlenmesidir. Radyofarmasötiklerde doz hesabı (dozimetri), tıpkı bir anahtarın kilide uyması gibi kişiselleştirilmelidir; çünkü her hastanın anatomisi, tümörün konumu ve böbrek, kemik iliği gibi kritik organların radyasyona toleransı farklılık gösterir. Geleneksel dozimetri yöntemleri genel varsayımlara dayandığı için ya tümöre yetersiz radyasyon gitmesine ya da sağlıklı dokuların gereksiz hasar görmesine yol açabilir. İşte bu açığı kapatan teknoloji, üç boyutlu evrişimli sinir ağları (3D-CNN) ile güçlendirilmiş görüntü analizidir. Bu ağlar, SPECT ve PET gibi moleküler görüntüleme taramalarındaki her bir pikselin anlamını çözerek radyofarmasötiğin vücuttaki dağılımını çok daha yüksek hassasiyetle haritalandırır. Elde edilen dağılım modeli, tümörün emdiği radyasyon miktarını hesaplamakla kalmaz, aynı zamanda bir sonraki tedavi döngüsünde dozun nasıl optimize edileceğine dair veriye dayalı öngörüler sunar.

Kişiselleştirmede bir adım ötesi ise dijital ikiz kavramıdır. Her hasta için oluşturulan bu yüksek çözünürlüklü sanal kopyalar, kişinin genetik yapısından organ hacimlerine, tümör kanlanmasından metabolizma hızına kadar birçok parametreyi bir araya getirir. Klinisyenler, dijital ikiz üzerinde birden fazla doz senaryosunu simüle ederek hem en yüksek tümör kontrolünü sağlayacak hem de yakındaki sağlıklı dokularda geri dönüşü olmayan hasarı önleyecek ideal rejimi belirleyebilir. Bu yaklaşım, hastaya fiziksel olarak uygulanmadan önce terapinin sanal provasını yapmak anlamına gelir. Görüntüleme verilerinin derin öğrenme modelleriyle işlenmesi sayesinde dijital ikiz, tedavi sırasında güncellenebilir ve tümörün küçülmesi veya organların pozisyon değiştirmesi gibi dinamik değişikliklere anında uyum sağlayabilir.

Alanın uzmanları, yapay zekanın radyofarmasötik araştırmalarındaki rolünün bir destek aracı olmaktan çıkıp bir karar ortağına dönüştüğünü belirtiyor. Özellikle üretken yapay zekanın, literatürde hiç tanımlanmamış melez moleküller ortaya çıkarma potansiyeli, ilaç keşfinde yepyeni bir kimyasal uzayın kapılarını aralıyor. Yine de bu güçlü araçların klinik pratiğe tam entegrasyonu için doğrulama çalışmalarının titizlikle yürütülmesi ve düzenleyici çerçevelerin netleşmesi gerekiyor. Erken aşama araştırmaların umut verici sonuçları, çok merkezli, geniş ölçekli çalışmalarla teyit edilmeden rutin kullanıma geçişin mümkün olmayacağı vurgulanıyor.

Yapay zeka ile hızlandırılmış keşif ve kişiselleştirilmiş dozimetri, radyofarmasötik tedavinin temel felsefesini dönüştürüyor: artık ‘aynı doz herkese’ paradigmasından ‘biyolojik olarak bireye özgü doz’ anlayışına geçiş yaşanıyor. Makine öğrenmesi sayesinde bir zamanlar laboratuvarda yıllar süren aday tarama süreçleri aylar mertebesine inerken, her hastanın kendine özgü biyolojik mimarisi tedavinin merkezine yerleşiyor. Bu sessiz devrim, onkolojide akıllı ilaçlar döneminin yalnızca başlangıcı olarak görülüyor.

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.