İleri düzey melanom hastalarında sağkalım tahmininde yapay zekâ destekli yeni bir yaklaşım geliştirildi. ECOG-ACRIN Kanser Araştırma Grubu araştırmacıları, binlerce yüksek çözünürlüklü dijital melanom tümör görüntüsünde üçüncül lenfoid yapıları (TLS) tespit etmek için yapay zekâ tabanlı yöntemler kullandı. Bu gelişme, TLS tespitinde geleneksel patolojik tekniklerin karşılaştığı zorlukları aşarak, doğruluk ve tutarlılık açısından önemli bir ilerleme sağladı. TLS, ameliyat edilebilir ileri evre melanomlu hastalar için olumlu prognostik bir biyobelirteç olarak öne çıkıyor. Ancak, bu yapıların rutin patolog değerlendirmesine alınması; zaman alıcı, yoruma açık olması ve değişkenlik nedenleriyle sınırlı kalıyordu.
Üçüncül lenfoid yapılar, tümör mikroçevresinde gelişen özel bağışıklık hücresi kümeleri olarak tanımlanıyor. T hücreleri, B hücreleri ve dendritik hücrelerden oluşan bu yapılar, kronik inflamasyon veya tümör gelişimine bağlı olarak ortaya çıkıyor. Çeşitli kanser türlerinde artmış bağışıklık hücresi infiltrasyonu ve daha iyi hasta sonuçlarıyla güçlü korelasyon gösteren TLS, ancak tespit zorlukları nedeniyle rutin patoloji iş akışına tam olarak entegre edilemedi. ECOG-ACRIN ekibinin geliştirdiği yapay zekâ destekli yöntem, karmaşık doku görüntülerinin otomatik analizi yoluyla TLS tespitini kolaylaştırmak üzere tasarlandı.
Araştırmada retrospektif olarak 376 ileri evre yüksek riskli melanom hastasının dijital H&E boyalı patoloji slaytları ile RNA dizileme verileri birleştirildi. Bu kombinasyon sayesinde TLS varlığı ile genel sağkalım arasında anlamlı bir ilişki kuruldu. Veriler, immün kontrol noktası inhibitörleri ve sitokin tedavilerinin değerlendirildiği E1609 klinik denemesinden elde edildi. Elde edilen büyük veri tabanı, gelecekte prognostik belirteçlerin ve tedavi stratejilerinin geliştirilmesi için sağlam bir temel oluşturuyor.
Kohort analizine göre hastaların yaklaşık %55’inde TLS görüldü ve TLS pozitif hastaların beş yıllık genel sağkalım oranı %36,23 olurken, TLS negatiflarda bu oran %29,59 olarak belirlendi. Ayrıca, birden çok TLS’ye sahip hastalarda sağkalım avantajının daha belirgin olduğu saptandı. Bu durum, sadece TLS varlığının değil, TLS yoğunluğunun da prognostik önemi olduğunu gösteriyor. Hastalar ayrıca AJCC tümör evresi, yaş, cinsiyet, uygulanan tedavi yöntemi ve tümör ülserasyon durumu gibi klinik parametrelere göre alt gruplara ayrılarak sağkalım süreci detaylandırıldı.
Bu ilerlemelerin merkezinde, dijital histolojik görüntülerde TLS ve germinal merkezleri otomatik tespit etmek üzere geliştirilmiş açık kaynaklı derin öğrenme algoritması HookNet-TLS bulunuyor. HookNet, biyomedikal görüntü analizi için tasarlanmış konvolüsyonel sinir ağı mimarileriyle karmaşık doku yapılarının bitişik segmentasyon ve sınıflandırmasını yüksek çözünürlükte gerçekleştiriyor. Başlangıçtaki uygulamalarda gösterdiği başarılı sonuçların ardından modelde doğruluk artırıcı iyileştirmeler yapıldı ve TLS ile ilişkili germinal merkezlerin güvenilir şekilde nicelendirilebilmesi sağlandı.
HookNet’in performansını tamamlayıcı olarak, araştırmacılar Gigapth Whole-Slide Foundation Model’in de özellik çıkarma yeteneklerinden yararlandı. Bu gelişmekte olan model, dijital patoloji için optimize edilmekte olup, H&E görüntü parçalayıcılarında temel morfolojik değişkenlikleri yakalayan ana bileşen analizi (PCA) kullanımıyla görselleştirme ve analiz yeteneğini artırıyor. Gigapth’in erken PCA çıktı görselleştirmeleri, TLS tespitindeki hassasiyetini destekler nitelikte olup, sürekli model ince ayar ve doğrulama çalışmaları sürdürülmekte.
Yapay zekâ destekli bu araçların rutin klinik iş akışlarına entegrasyonu birçok açıdan önem taşıyor. Düşük maliyetli, yaygın kullanılan H&E boyalı numunelerin değerlendirilmesinin otomatikleştirilmesi, önceden subjektif ve zaman alan işlemleri standartlaştırıyor. TLS tespitinde artan duyarlılık ve özgüllük, AJCC evreleme sisteminde daha doğru prognostik sınıflandırmalar yapılmasına imkân veriyor. Bu da yüksek riskli melanom hastalarının kişiselleştirilmiş immünoterapi kararlarının şekillendirilmesi ve sonuçlarının iyileştirilmesine doğrudan katkı sağlıyor.
Bu çalışma, Ulusal Kanser Enstitüsü (NCI) finansman desteğiyle gerçekleşerek biyomedikal görüntüleme, makine öğrenimi ve moleküler onkolojinin sinerjisini ortaya koyuyor. Kritik bağışıklık mikroçevresi bileşenlerinin hızlı ve tekrarlanabilir şekilde nicelenmesine olanak sağlayan yöntem, TLS gibi biyobelirteçlerin tanısal paradigmaya katılmasının önünü açıyor. Böylece, tedavi algoritmalarına entegre edilerek terapötik kararların sınırlarını da genişletiyor.
Araştırmanın başındaki isimlerden Moffitt Kanser Merkezi’nden Prof. Dr. Ahmad A. Tarhini, “Açık erişimli yapay zekâ araçları kullanarak immün yapıların ayrıntılı analizi ile sağkalım ve immünoterapi yanıtını tahmin etmede devrim yaratıyoruz” ifadesiyle çalışmanın önemini vurguladı. Yardımcı araştırmacı Dr. Xuefeng Wang ise Gigapth gibi temel modellerin analizin hassasiyetini artırmadaki potansiyeline dikkat çekerek, metodolojinin klinik kullanım kapsamını genişletmek için devam eden geliştirme çalışmalarını paylaştı.
TLS’nin hızlı ve doğru tespiti, özellikle melanomlu hasta- hekim iletişiminde immünoterapinin mümkün avantajları hakkında daha doyurucu bilgiler sunabilir. Yapay zekâ yöntemleri gelişip olgunlaştıkça, bu teknolojilerin sadece onkoloji alanında değil, TLS’nin rol oynayabileceği diğer immün ilişkili hastalıklarda da çığır açması bekleniyor. Bu bağışıklık hücresi kümeleri, antitümör bağışıklık aktivitelerinin dinamik merkezleri olarak önem taşıyor.
TLS tespiti ve nicelenmesi, klasik yöntemlerde gizli histolojik özelliklerin uzman patologlarca değerlendirilmesini gerektiriyor. Bu süreç inter-gözlemci değişkenliği ve kaynak kısıtları nedeniyle zorluklar içeriyor. HookNet-TLS gibi otomatikleştirilmiş algoritmaların yüksek doğrulukla uygulanması, iş akışı verimliliği ve tanısal standartlaştırmada kritik boşlukları kapatıyor. Ayrıca, HookNet’in Grand Challenge gibi platformlarda açık kaynak olarak sunulması, biyomedikal görüntü analizi ve yapay zekâ topluluklarının iş birliğini ve şeffaflığı artırıyor.
Elde edilen bulgular, 2025 yılında Chicago’da yapılacak Amerikan Kanser Araştırmaları Derneği (AACR) yıllık toplantısında sunulacak. Sunumun, model performansı ve klinik uygulanabilirlik hakkında ayrıntılı bilgi vererek yapay zekâ tabanlı patoloji yatırımlarında yeni bir dönemin başlangıcını tetiklemesi bekleniyor. ECOG-ACRIN ekibi, gelişmiş dijital patoloji kaynaklarını kullanarak melanoma prognostiklerinde makine öğreniminin entegre edilmesinde ölçeklenebilir bir yol açtı.
Bu araştırma, ileri evre melanomda hayatta kalımı iyileştirmek için yapay zekâ destekli TLS tespiti kullanarak, bireye özel onkoloji anlayışında önemli adımlar atıyor ve klinik bakımda biyobelirteçlerin rolünü yeni bir seviyeye taşıyor.
—
**Araştırma Konusu**: Yapay zekâ tabanlı üçüncül lenfoid yapıların tespitiyle ileri evre melanomda sağkalım tahmininin geliştirilmesi
**Makale Başlığı**: İçerikte belirtilmemiş
**Haberin Yayın Tarihi**: Belirtilmemiş
**Web References**:
– ECOG-ACRIN Cancer Research Group: www.ecog-acrin.org
– Grand Challenge platform: https://grand-challenge.org/
– HookNet-TLS algoritması: https://grand-challenge.org/algorithms/hooknet-tls/
**Resim Credits**: Ahmad A. Tarhini ve çalışma arkadaşları
**Anahtar Kelimeler**: Yapay zekâ, Melanom, Görüntü analizi, Biyobelirteçler, Deri kanseri, RNA dizileme, İmmün infiltrasyon, Tümör mikroyapısı, Üçüncül lenfoid yapılar, Otomatik patoloji, Dijital patoloji, AI onkolojide
