Kanser tedavisi için yeni bir yapay zeka aracı

• Harvard Tıp Fakültesi bilim insanları, birden fazla kanser türünde çeşitli tanısal görevleri yerine getirebilen, ChatGPT benzeri çok yönlü bir yapay zeka modeli tasarladı
• Bu yeni yapay zeka sistemi, kanser tanısına yönelik mevcut birçok yapay zeka yaklaşımından bir adım daha ileri gidiyor
• Mevcut yapay zeka sistemleri genellikle kanser varlığını tespit etme veya tümörün genetik profilini tahmin etme gibi belirli görevler için eğitiliyor ve yalnızca az sayıda kanser türünde çalışma eğilimi gösteriyor
• Buna karşılık yeni model, geniş kapsamlı görevleri yerine getirebiliyor, 19 kanser türünde test edildi ve ChatGPT gibi büyük dil modellerine benzer bir esnekliğe sahip
• Son dönemde patoloji görüntülerine dayalı tıbbi tanı için başka temel yapay zeka modelleri ortaya çıkmış olsa da, bunun hasta sonuçlarını öngören ve birden fazla uluslararası hasta grubunda doğrulanan ilk model olduğu düşünülüyor
• Tümör doku slaytlarını okuyarak çalışan yapay zeka modeli
  • Kanser hücrelerini tespit ediyor ve görüntüde görülen hücresel özelliklere dayanarak tümörün moleküler profilini, mevcut yapay zeka sistemlerinin çoğundan daha yüksek doğrulukla tahmin ediyor
  • Birden fazla kanser türünde hasta sağkalımını öngörüyor ve ameliyat, kemoterapi, radyoterapi, immünoterapi gibi standart tedavilere verilen hasta yanıtıyla ilişkili tümör çevresi dokunun (tümör mikroçevresi) özelliklerini doğru biçimde saptıyor
  • Hasta sağkalımıyla ilişkili olduğu bilinmeyen belirli tümör özelliklerini tanımlamak gibi yeni içgörüler üretebiliyor gibi görünüyor
• Araştırma ekibi, bu sonuçların klinisyenlerin kanseri verimli ve doğru biçimde değerlendirme yeteneğini artırabileceğine dair kanıtların çoğaldığını, buna standart kanser tedavisine iyi yanıt vermeyebilecek hastaların belirlenmesinin de dahil olduğunu söylüyor
• Kun-Hsing Yu, "Daha fazla doğrulama yapılır ve yaygın biçimde kullanıma alınırsa, bizim yaklaşımımıza benzer yaklaşımlar, belirli moleküler varyasyonları hedefleyen deneysel tedavilerden fayda görebilecek kanser hastalarını erken dönemde belirleyebilir" dedi

Eğitim ve performans

• Ekibin son çalışması, Yu'nun kolorektal kanser ve beyin tümörlerinin değerlendirilmesine yönelik önceki yapay zeka sistemleri üzerine yaptığı araştırmalara dayanıyor. Önceki çalışmalar, bu yaklaşımın belirli kanser türleri ve belirli görevler içinde uygulanabilirliğini göstermişti
• CHIEF (Clinical Histopathology Imaging Evaluation Foundation) adı verilen yeni model, ilgi duyulan bölümlere ayrılmış 15 milyon etiketsiz görüntü üzerinde eğitildi
• Bu araç ayrıca akciğer, meme, prostat, kolorektal, mide, yemek borusu, böbrek, beyin, karaciğer, tiroid, pankreas, rahim ağzı, rahim, yumurtalık, testis, cilt, yumuşak doku, böbreküstü bezi ve mesane dahil dokulara ait 60.000 tam slayt görüntüsü üzerinde ek eğitim aldı
• Modelin hem görüntülerin belirli bölümlerini hem de tüm görüntüleri görmesi sağlanarak, bir bölgedeki spesifik değişiklikleri genel bağlamla ilişkilendirmesi mümkün oldu. Araştırmacılar, bu yaklaşımın CHIEF'in yalnızca belirli alanlara odaklanmak yerine daha geniş bağlamı dikkate alarak görüntüleri daha bütüncül biçimde yorumlamasını sağladığını söylüyor
• Eğitimden sonra ekip, CHIEF'in performansını dünya genelinde 24 hastane ve hasta kohortundan toplanan 32 bağımsız veri setindeki 19.400'den fazla tam slayt görüntüsü üzerinde test etti
• Genel olarak CHIEF, kanser hücresi tespiti, tümör kökeninin belirlenmesi, hasta sonuçlarının öngörülmesi ve tedavi yanıtıyla ilişkili gen ve DNA kalıplarının belirlenmesi gibi görevlerde diğer son teknoloji yapay zeka yöntemlerini %36'ya kadar geride bıraktı
• CHIEF, kapsamlı eğitimi sayesinde tümör hücrelerinin biyopsiyle mi yoksa cerrahi rezeksiyonla mı elde edildiğine bakılmaksızın eşit derecede iyi performans gösterdi
• Ayrıca, kanser hücresi örneklerini dijitalleştirmek için kullanılan teknoloji ne olursa olsun doğruluğu aynı kaldı
• Araştırmacılar, bu uyarlanabilirlik sayesinde CHIEF'in farklı klinik ortamlarda kullanılabileceğini ve yalnızca belirli teknolojilerle elde edilen dokuları okurken iyi performans gösterme eğilimindeki mevcut modellerin ötesine geçen önemli bir adımı temsil ettiğini söylüyor

Kanser tespiti

• CHIEF, kanser tespitinde yaklaşık %94 doğruluğa ulaştı ve 11 kanser türünü içeren 15 veri setinde mevcut yapay zeka yaklaşımlarını belirgin biçimde geride bıraktı
• Bağımsız kohortlardan toplanan 5 biyopsi veri setinde CHIEF, yemek borusu, mide, kolorektal ve prostat dahil çeşitli kanser türlerinde %96 doğruluğa ulaştı
• Araştırmacılar CHIEF'i daha önce görmediği kolorektal, akciğer, meme, endometriyum ve rahim ağzına ait cerrahi olarak çıkarılmış tümör slaytları üzerinde test ettiğinde, model %90'ın üzerinde doğruluk sergiledi

Tümörün moleküler profilini tahmin etme

• Tümörün genetik yapısı, gelecekteki davranışını ve en uygun tedaviyi belirlemek için önemli ipuçları sağlar
• Bu bilgiyi elde etmek için onkologlar tümör örneklerinin DNA dizilemesini ister, ancak dünya genelinde kanser dokusunun bu kadar ayrıntılı genomik profillenmesi maliyet ve zaman nedeniyle düzenli ya da eşit biçimde yapılmıyor
• CHIEF, mikroskop slaytlarına bakarak tümörün genomik varyasyonlarını tahmin etmede mevcut yapay zeka yöntemlerini geride bıraktı
• Bu yeni yapay zeka yaklaşımı, kanserin büyümesi ve baskılanmasıyla ilişkili birkaç önemli genle bağlantılı özellikleri başarıyla tanımladı ve tümörün çeşitli standart tedavilere ne kadar iyi yanıt verebileceğiyle ilişkili temel genetik varyasyonları tahmin etti
• CHIEF ayrıca kolorektal tümörlerin, immün kontrol noktası blokajı adı verilen bir immünoterapi türüne ne kadar iyi yanıt verebileceğiyle ilişkili belirli DNA kalıplarını da tespit etti
• Tüm doku görüntülerine baktığında CHIEF, sık mutasyona uğrayan 54 kanser genindeki mutasyonları genel olarak %70'in üzerinde doğrulukla belirleyerek genomik kanser tahmini için mevcut son teknoloji yapay zeka yöntemlerini geride bıraktı. Belirli kanser türlerindeki bazı genler için doğruluk daha da yüksekti
• Ekip ayrıca CHIEF'in, 15 anatomik bölgede 18 gen için FDA onaylı hedefe yönelik tedavilere yanıtla ilişkili mutasyonları tahmin etme yeteneğini de test etti. CHIEF, diffüz büyük B hücreli lenfoma adlı kan kanserinde sık görülen EZH2 gen mutasyonunun tespitinde %96, tiroid kanserinde BRAF gen mutasyonu için %89 ve baş-boyun kanserinde NTRK1 gen mutasyonu için %91 doğruluk gibi birçok kanser türünde yüksek doğruluk elde etti

Hasta sağkalımını tahmin etme

• CHIEF, ilk tanı sırasında elde edilen tümör histopatoloji görüntülerine dayanarak hasta sağkalımını başarıyla tahmin etti
• Tüm kanser türlerinde ve çalışmadaki tüm hasta gruplarında CHIEF, uzun süre yaşayan hastalar ile kısa süre yaşayan hastaları ayırt etti
• CHIEF, diğer modellere göre %8 daha iyi performans gösterdi ve ileri evre kanser hastalarında diğer yapay zeka modellerine göre %10 daha iyi performans sergiledi
• CHIEF'in yüksek ölüm riski ile düşük ölüm riskini öngörme yeteneği, 17 farklı kurumdan hasta örneklerinde test edilip doğrulandı

Tümör davranışına dair yeni içgörüler çıkarma

• Model, tümör saldırganlığı ve hasta sağkalımıyla ilişkili görüntüdeki karakteristik desenleri tanımladı
• Bu ilgi alanlarını görselleştirmek için CHIEF, görüntüler üzerinde ısı haritaları oluşturdu. İnsan patologlar bu yapay zeka kaynaklı sıcak noktaları analiz ettiğinde, kanser hücreleri ile çevredeki doku arasındaki etkileşimi yansıtan ilginç sinyaller gördü
• Bu özelliklerden biri, uzun süre yaşayanların tümör bölgelerinde kısa süre yaşayanlara kıyasla daha fazla bağışıklık hücresi bulunmasıydı. Yu, bağışıklık hücrelerinin daha fazla bulunmasının, bağışıklık sisteminin tümöre saldırmak üzere etkinleştiğini gösterebileceği için bu bulgunun mantıklı olduğunu belirtti
• Kısa süre yaşayanların tümörlerine bakıldığında CHIEF; farklı hücresel bileşenler arasındaki anormal boyut oranları, hücre çekirdeklerinde daha fazla atipik özellik, hücreler arasında zayıf bağlantılar ve tümör çevresindeki bölgede bağ dokusu varlığında azalma ile karakterize edilen ilgi alanlarını belirledi. Bu tümörlerde ayrıca çevrede daha fazla ölmekte olan hücre bulunuyordu. Örneğin meme tümörlerinde CHIEF, dokudaki nekrozun (erken hücre ölümü) varlığını ilgi alanı olarak işaret etti. Buna karşılık, sağkalım oranı daha yüksek olan meme kanserleri sağlıklı dokuya benzer hücresel yapıları koruma olasılığı daha yüksekti. Araştırma ekibi, sağkalımla ilişkili görsel özelliklerin ve ilgi alanlarının kanser türüne göre değiştiğini açıkladı

Sonraki adımlar

Araştırmacılar, CHIEF'in performansını iyileştirmeyi ve yeteneklerini şu yollarla genişletmeyi planladıklarını söyledi:

• Nadir hastalıklar ve kanser dışı durumlara ait doku görüntüleri üzerinde ek eğitim yapmak
• Hücreler tamamen kanserli hale gelmeden önceki prekanseröz doku örneklerini dahil etmek
• Farklı saldırganlık düzeylerine sahip kanserleri ayırt etme yeteneğini geliştirmek için modeli daha fazla moleküler veriye maruz bırakmak
• Standart tedavilere ek olarak yeni kanser tedavilerinin faydalarını ve yan etkilerini tahmin edecek şekilde modeli eğitmek

GN⁺ görüşü

• Bu çalışma, kanser tanısı ve tedavi planlaması için yapay zeka teknolojilerindeki ilerlemeyi gösteriyor. Özellikle birden fazla kanser türünde uygulanabilen genel amaçlı bir model geliştirilmiş olması açısından anlamlı
• Ancak bunun gerçek klinik ortamlarda kullanılabilmesi için daha fazla veriyle doğrulanması ve doktorlarla yapay zekanın etkili biçimde iş birliği yapabileceği yöntemlerin oluşturulması gerekecek. Tanının doğruluğu ve sorumluluğun kime ait olduğu gibi çözülmesi gereken sorunlar da sürüyor
• Benzer teknolojiler arasında, patoloji görüntü analiziyle kanser teşhisi yapan Paige.AI ve Proscia gibi şirketler bulunuyor. Bunlar belirli kanser türlerine odaklı çözümler sunduğu için genel kullanım açısından bu çalışmadan ayrışıyor
• Yapay zeka tabanlı kanser tanı teknolojileri devreye alınırken sağlık çalışanlarının rolündeki değişim, tanı sürecinin iyileştirilmesi ve sağlık ödeme sistemlerinin yeniden düzenlenmesi gibi çeşitli toplumsal uzlaşılar ve kurumsal düzenlemeler gerekecek. Aynı zamanda yapay zeka yanlılığı ve kişisel verilerin korunması gibi teknik ve etik riskler de dikkatle değerlendirilmeli
• Gelecekte kanser dokusunun moleküler biyolojik özelliklerini de bütüncül biçimde analiz edip ilaç yanıtını da tahmin edebilen yapay zeka teknolojileri geliştirilirse, bunun hassas tıbbın hayata geçirilmesine büyük katkı sağlayabileceği düşünülüyor