Yeni Yapay Zekâ Modeli Mesane Kanseri Tedavisinde Başarı Oranlarını Arttırıyor

NPJ Digital Medicine dergisinde yayımlanan yeni bir çalışmaya göre, yapay zekâ, mesane kanseri tedavisinde başarı oranlarını önemli oranda arttırabiliyor. ABD’deki Weill Cornell Medicine araştırmacıları, kas tabakasına yayılmış mesane kanseri hastalarının kemoterapiye vereceği yanıtı önceden tahmin edebilen yeni bir yapay zekâ modeli geliştirdi. Bu model, tümörün genetik profiliyle mikroskobik görüntülerini birleştirerek çok katmanlı ve kesin doğrulukta bir analiz sunuyor. Bu sayesinde tedaviye dirençli hastaların belirlenmesi, gereksiz ameliyatların önlenmesi ve mesanenin korunması mümkün olabilir.  

Görüntü ve Genetik Verilerin Gücü Birleşti

Araştırmacılar, SWOG Kanser Araştırma Ağı tarafından toplanan klinik verileri kullanarak histopatolojik (doku) görüntüler ile RNA dizileme verilerini bir araya getiren çok modelli bir derin öğrenme sistemi kurdu. Geliştirilen Graf Tabanlı Çok Modelli Geç Füzyon (GMLF) çerçevesi sayesinde, yalnızca gen ifadesine veya görüntüye dayalı modellere kıyasla daha doğru tahminler elde edildi.

Meme kanserinin seyrini belirleyen yeni bir Yapay Zeka Modeli geliştirildi

GMLF modeli, yapay zekânın bir dalı olan graf sinir ağları (graph neural networks) kullanarak tümör içindeki hücre türlerini ve bunların birbirleriyle olan düzenlerini analiz edebiliyor. Bu analiz, tümör hücrelerinin yanı sıra bağışıklık hücreleri ve fibroblastları da kapsıyor. Modelin doğruluk oranı, 0 ile 1 arasında hesaplanan ölçekte yaklaşık 0.8 olarak belirlendi. Bu oran, sadece tek bir veri türüne dayanan modellerin ulaştığı 0.6 düzeyinin oldukça üzerinde.

Tedaviye Yanıtı Belirleyen Genetik İpuçları

Model, kemoterapiye yanıtı belirlemede etkili olan bazı genleri de ortaya koydu. TP63, CCL5 ve DCN gibi genlerdeki değişiklikler, tedaviye duyarlılığı tahmin etmede kilit rol oynadı. Bu genetik işaretçiler, ileride kişiselleştirilmiş tedavi kararlarında referans olarak kullanılabilir. Araştırmacılar ayrıca fibroblastların yani bağ dokusu hücrelerinin bolluğunun, tümör hücrelerini kemoterapiden koruyabileceğini ya da tümör büyümesini destekleyebileceğini düşünüyor.

Yapay Zekâ Destekli Klinik Kararlar Yakın Gelecekte Mümkün

Çalışmayı yürüten Dr. Fei Wang ve Dr. Bishoy Faltas liderliğindeki ekip, bu modeli diğer hasta gruplarında test ederek daha geniş kitlelere yaymayı planlıyor. Ayrıca idrardan veya kandan elde edilen tümör DNA’sı gibi ek verilerin de modele dâhil edilmesi hedefleniyor.

ChatGPT, doktorları geride bıraktı: Daha bilgilendirici, detaylı ve empatik yanıtlar verdi

Hayalinin bir hastam geldiğinde tüm verilerinin bu yapay zekâ sistemine entegre edebilmek olduğunu söyleyen Dr. Faltas, şu yorumu yaptı: “Böylece hastaya özel en uygun tedavi seçeneğini önerebilmek mümkün olabilecek. Bunun yakın gelecekte mümkün olacağına inanıyorum. Ancak doktorlar olarak AI’nin verdiği tahminleri hem kendimiz anlayabilmeli hem de hastalara güven verecek şekilde açıklayabilmeliyiz.”

Araştırmanın Özeti

Yorumlanabilir Çok Modelli Derin Öğrenme ile Kas İnvaziv Mesane Kanserinde Neoadjuvan Kemoterapiye Yanıtın Tahmini
Kas tabakasına yayılmış mesane kanserinde (MIBC) neoadjuvan kemoterapiye verilen yanıtı öngörebilen doğru tahmin modelleri geliştirmek ve öngörücü biyobelirteçleri tanımlamak, hasta sağkalımını artırmak açısından büyük önem taşıyor. Ancak, tümörlerin heterojen yapısı nedeniyle bu hedefe ulaşmak zorlu olmaya devam ediyor. Bu ihtiyacı karşılamak amacıyla, yorumlanabilir grafik tabanlı çok modelli bir derin öğrenme yöntemi olan GMLF (Graph-based Multimodal Late Fusion) geliştirildi. Bu model, SWOG S1314-COXEN klinik çalışmasından (ClinicalTrials.gov NCT02177695) elde edilen standart H&E boyalı tümör görüntülerinden alınan histopatolojik ve hücre tipi verilerini, RNA dizilemesinden elde edilen gen ekspresyon profilleriyle birleştiriyor.

Tüberküloz Aşısı ile Mesane Kanseri Tedavisi: RUTI Aşısı Uygulanan 40 Hastada 5 Yılda 0 Nüks!

GMLF modeli, neoadjuvan kemoterapiye verilen yanıtla ilişkili yeni histopatolojik, hücresel ve moleküler belirleyicileri ortaya çıkardı. Özellikle TP63, CCL5 ve DCN gibi genlerdeki değişimlerin modelin öngörü gücünde önemli rol oynadığı belirlendi. Bu bulgular, MIBC hastaları için tedavi stratejilerinin optimize edilmesini sağlayabilir; örneğin, klinik sonuçların iyileştirilmesi, gereksiz tedavilerin önlenmesi ve mesanenin korunması mümkün olabilir. Ayrıca, bu yaklaşım diğer kanser türleri için de öngörücü belirteçleri ortaya çıkarmada kullanılabilir.

YORUMUNUZ VAR MI?

Label

İsim*

Email*

Δ

Label

İsim*

Email*

Δ

0 Yorum

Inline Feedbacks

Tüm yorumları gör