Yapay Zeka, Ameliyat Sırasında Beyin Tümörlerini Neredeyse Kusursuz Bir Doğrulukla Ayırt Etti

Harvard Tıp Fakültesi öncülüğünde çalışan bir araştırma ekibi, beyin içinde görülen fakat farklı kökenlere, davranışlara ve tedavi yöntemlerine sahip iki benzer kanseri güvenilir şekilde ayırt edebilen bir yapay zeka aracı geliştirdi.

PICTURE (Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations) adı verilen araç, en yaygın ve agresif beyin tümörü olan glioblastoma ile sıklıkla glioblastoma ile karıştırılan daha nadir bir kanser olan primer merkezi sinir sistemi lenfomasını (PCNSL) neredeyse kusursuz doğrulukla ayırt etti. Glioblastoma beyin hücrelerinden, PCNSL ise bağışıklık hücrelerinden kaynaklanıyor. Mikroskop altında benzerlikleri sıkça yanlış tanılara yol açıyor ve bu da tedavide ciddi sonuçlar doğurabiliyor.

Çalışma, kısmen Ulusal Sağlık Enstitüleri (NIH) tarafından desteklendi ve 29 Eylül’de Nature Communications dergisinde yayımlandı. Araştırmacılar, geliştirdikleri yapay zeka modelinin kamuya açık olduğunu, diğer bilim insanlarının kullanabileceğini ve üzerine inşa edebileceğini belirtti.

Araştırmacılara göre ameliyat sırasında birbirine benzeyen tümörleri doğru şekilde tanımlamak, nöro-onkolojideki en zorlu tanı problemlerinden biri. Ameliyat odasında doğru tanı konulması, tedavi sürecini hızlandırıyor: Glioblastoma vakalarında cerrahiyle tümörün çıkarılması gerekirken, PCNSL için tercih edilen tedavi radyoterapi ve kemoterapi oluyor. Yanlış ya da geciken tanılar gereksiz ameliyatlara ve uygun tedavinin gecikmesine yol açabiliyor.

Bu aracı özellikle değerli kılan özelliklerinden biri, ameliyat sırasında kullanılabilmesi ve cerrahlara ile patologlara gerçek zamanlı kritik bilgiler sunabilmesi.

Araştırmanın kıdemli yazarı, Harvard Tıp Fakültesi Blavatnik Enstitüsü’nde biyomedikal enformatik doçenti ve Brigham and Women’s Hospital’da patoloji yardımcı doçenti olan Kun-Hsing Yu, “Modelimiz, benzer özellikler taşıyan tümörleri ayırt ederek tanı hatalarını en aza indirebilir ve klinisyenlerin tümörün gerçek kimliğine göre en iyi tedavi yolunu belirlemesine yardımcı olabilir.” ifadelerini kullandı.

Beyin tümörü ameliyatlarında cerrahlar genellikle tümör dokusunu alarak mikroskop altında hızlı değerlendirme yapıyor. Doku sıvı nitrojende dondurularak inceleniyor; bu yöntem hücresel özellikleri kısmen bozsa da yaklaşık 15 dakika içinde hızlı sonuç veriyor. İlk değerlendirmeye göre cerrah, tümörü çıkarmaya mı yoksa radyoterapi ve kemoterapiye mi yönlendirileceğine karar veriyor. Daha sonra birkaç gün içinde patolojide ayrıntılı inceleme yapılıyor. Yu, yaklaşık her 20 vakadan birinde ilk tanının ikinci incelemede değiştiğini söyledi. Yeni yapay zeka sistemi işte tam bu noktada devreye girerek belirsizlikleri ortadan kaldırabiliyor.

Yu ayrıca, “Modelimiz, beyin cerrahisi sırasında alınan dondurulmuş kesitlerde ve uzmanlar arasında ciddi görüş ayrılıklarının olduğu durumlarda güvenilir performans gösteriyor.” dedi.

Araç beş hastanede test edildi ve hem insan patologlardan hem de diğer YZ modellerinden daha iyi performans gösterdi. Yeni modelin benzersiz yönlerinden biri de “belirsizlik algılayıcısı”. Söz konusu özellik sayesinde model yalnızca yüksek doğrulukla ayırt etmekle kalmıyor, aynı zamanda kararından emin olmadığı durumları işaretleyerek insan incelemesi için uyarı veriyor.

Yeni araştırma, Yu’nun farklı glioma türlerinin moleküler özelliklerini çözümleyen bir yapay zeka sistemi üzerine yaptığı önceki çalışmalara dayanıyor.

PICTURE, Beyin Kanseri İkizlerini Nasıl Ayırt Ediyor?

Her yıl dünya genelinde 300.000’den fazla kişiye beyin veya merkezi sinir sistemi tümörü tanısı konuluyor ve 200.000’den fazla kişi bu hastalıklar nedeniyle hayatını kaybediyor. Dünya Sağlık Örgütü (DSÖ), mikroskop altında veya genetik düzeyde ayırt edilebilen yaklaşık 109 farklı beyin ve omurilik tümörünü tanıyor.

PCNSL ile glioblastomayı ameliyat sırasında doğru şekilde ayırt etmek, beyin dokusunun gereksiz yere çıkarılmasını önleyebiliyor. PCNSL hastaları radyoterapi ve kemoterapiye yönlendirilirken, glioblastoma hastalarında mümkün olan en geniş cerrahi çıkarım tercih ediliyor.

Neredeyse Kusursuz Performans

Yu’nun, araştırmanın ortak ilk yazarları Junhan Zhao ve Shih-Yen Lin ile birlikte geliştirdiği model, dünya genelinden toplanan 2.141 beyin patolojisi slaydı üzerinde değerlendirildi. Hem dondurulmuş kesitlerde hem de formalinle sabitlenmiş örneklerde test edilen PICTURE, tümör hücresi yoğunluğu, hücre şekli ve nekroz varlığı gibi kritik özellikleri analiz edecek şekilde tasarlandı.

Model dört ülkedeki beş uluslararası hastanede test edildi. Tüm senaryolarda, mevcut YZ araçlarını ve geleneksel dondurulmuş kesit yöntemini geride bıraktı. Testlerde PICTURE, glioblastoma ile PCNSL’yi %98’in üzerinde doğrulukla ayırdı. Başarı, beş bağımsız uluslararası hasta grubunda da geçerli oldu. Ayrıca model, gliomalar veya lenfomalar dışında kalan 67 merkezi sinir sistemi kanserini de tanımlayabildi.

Model, daha önce hiç görmediği tümörleri de işaretleyerek insan incelemesine yönlendirdi. Yu, “Başka bir deyişle, model neyi bilmediğini de biliyordu ve bu, belirsiz vakaların yanlış kategorilere sokulmasını engelledi.” sözlerini sarfetti. Araştırmacılar, özelliğin modeli diğer YZ sistemlerinden ayırdığını belirtti.

PICTURE, insan patologların dahi zorlandığı vakalarda üstün performans sergiledi. Zor tümörlerde insan uzmanlar %38’e varan oranda yanlış tanı koyarken, PICTURE bu vakaların tamamını doğru teşhis etti.

Gerçek Dünyaya Açılım

Araştırmacılar, bu aracın insan-YZ işbirliği için önemli bir fırsat sunduğunu belirtiyor. Sistem, ameliyathanelerde ve patoloji laboratuvarlarında bir filtre olarak kullanılarak glioblastoma ile PCNSL’yi ayırt etmeye ve ameliyat sırasında karar vermeye yardımcı olabilir.

Bu model, aynı zamanda nöropatolojiye erişimi demokratikleştirebilir. Çünkü bu alanda uzman sayısı yetersiz ve uzmanların dağılımı düzensiz. Araç ayrıca geleceğin patologlarını eğitmek için de kullanılabilir.

Araştırmacılar, test edilen örneklerin çoğunun beyaz hastalardan alındığını ve farklı etnik gruplarda doğruluğun teyit edilmesi gerektiğini vurguladı. Ayrıca modelin şu an glioblastoma ve PCNSL’ye odaklandığını, gelecekte diğer kanser türlerine genişletilebileceğini ve genetik-moleküler verilerle birleştirilerek daha derinlemesine içgörüler sunabileceğini belirtti.

‍

‍

‍

‍

Kaynak: https://hms.harvard.edu/news/ai-distinguishes-glioblastoma-look-alike-cancers-during-surgery