Türkiye Onkoloji camiasında büyük yankı uyandıran yeni bir çalışma, mide kanserinin karmaşık biyolojik yapısını anlamada yapay zekâ ve makine öğrenmesi (ML) yöntemlerinin etkileyici potansiyelini gözler önüne seriyor. Son yıllarda, geç evrede teşhis edilmesi nedeniyle tedavisi zorlaşan mide kanseri, heterojen biyolojik yapısıyla da klinik zorlukları artırıyor. Ancak, BMC Cancer’da yayımlanan öncü araştırma, ileri algoritmaların hastalık alt tiplerinin sınıflandırılmasında, prognostik biyobelirteçlerin belirlenmesinde ve hasta ölüm riski bazında ayrım yapılmasında nasıl devrim yaratabileceğini ortaya koyuyor. Bu yeni yaklaşım, kemoterapiden cerrahi müdahaleye birçok tedavi çeşidinin kişiselleştirilmesi açısından umut vaat ediyor.
Çalışma kapsamında 2011 ile 2016 yılları arasında mide kanseri tanısı konmuş ve cerrahi tedavi görmüş 140 hasta verisi toplandı. Araştırmacılar, hastaların moleküler verilerini işlemek için ilham alınan modifiye kısmi en küçük kareler algoritması (SIMPLS) temelinde yenilikçi bir model geliştirdi. Bu model, mide kanserinde hayati önem taşıyan moleküler prediktörlerin belirlenmesinde yüksek doğrulukla çalıştı. Q² değerlerinin 0,45 ila 0,70 arasında değişmesi, modelin güvenilirliğini ve tahmin kabiliyetinin yüksek olduğunu gösterdi. Böylece ölüm riskini belirlemede geleneksel istatistik yöntemlerin ötesinde bir araç geliştirilmiş oldu.
Araştırmanın önemli çıktılarından biri, hastalığın ilerleyişinde kritik rol oynayan MMP-7, P53, Ki67 ve vimentin gibi moleküler biyobelirteçlerin tespit edilmesi oldu. MMP-7, tümörün yayılma ve metastazında etkili olan matriks metalloproteinazları ailesinden bir enzim olarak işlev görürken, P53 genetik hasara karşı hücre yanıtlarını koordine eden ve “genomun koruyucusu” olarak adlandırılan kritik bir tümör baskılayıcı gen olarak öne çıkıyor. Ki67 ise hücresel çoğalma aktivitesinin belirtecidir ve tümörün agresiflik seviyesini yansıtır. Vimentin ise epitel-mesenkimal geçişle (EMT) ilişkilendirilerek kanser hücrelerinin invazyon yeteneğinin artmasında önemli bir rol oynuyor. Bu biyobelirteçlerin birlikte değerlendirilmesi makine öğrenmesi sayesinde geleneksel analizlerin gözden kaçırdığı karmaşık hasta sonuçları örüntülerini ortaya koydu.
Çalışmada sadece tekil biyobelirteçlerin belirlenmesinin ötesine geçilerek, sağkalım gösteren ve göstermeyen hasta grupları arasında moleküler ilişkileri belirlemek adına korelasyon analizleri yapıldı. Bu analizler, mide kanseri alt türlerinin temel dinamiklerini yansıtan farklı prognostik profilleri ortaya çıkardı. Ayrıca, gizli sınıf analizi (LCA) ve temel bileşen analizi (PCA) kullanılarak hasta popülasyonu üç ayrı ölüm riski kümesine ayrıldı. Bu ayrım, klinikte hastaların risk düzeylerine göre daha hassas tedavi kararları alınmasını mümkün kılıyor.
Araştırmanın klinik hayata dönüşüm yönündeki bir diğer önemli adımı, predictive partition analysis yani önleyici bölüt analizinin kullanılmasıydı. Bu yöntem, karmaşık moleküler verileri anlaşılır eşik değerlerine dönüştürdü. Sonuç olarak, P53 ≥6, COX-2 >2, vimentin >2 ve Ki67 ≥13 gibi değerler, yüksek mortalite riskini belirleyen kritik eşik noktalar olarak tanımlandı. Bu açıklık, biyobelirteçlerin rutin tanı süreçlerine kesintisiz entegrasyonunu kolaylaştıracak, klinisyenlerin karar almada daha güvenilir eşiklere dayanmasını sağlayacaktır.
Makine öğrenmesi tekniklerinin katkısı burada da sınırlı kalmadı. TNM evrelemesini ve mide kanseri alt tiplerini doğru şekilde tahmin eden karar ağacı modelleri geliştirildi. Bu modeller, alıcı işletim karakteristiği (AUC) oranları 0,84 ile 0,99 arasında değişen sonuçlar verdi. Ayrıca, özgüllük ve duyarlılık değerleri yüzde 80’in üzerinde gerçekleşti. Böylece, histopatolojik inceleme sürecindeki kişi kaynaklı değişkenlikler azaltılabilir, agresif kanser alt türleri erken safhada yakalanabilir.
Tüm bu gelişmeler, mide kanserinde moleküler biyobelirteçlerin klinik parametrelerle makine öğrenmesi algoritmalarıyla harmanlanmasının, hastalara özgü tedavi ve yönetim alanında bir paradigma değişimi yaratabileceğini vurguluyor. Yüksek riskli hastaların erken belirlenmesi, hızlı müdahale ve uygun tedavi stratejileri sayesinde yaşam süresi ve kalitesi artırılabilir. Öte yandan, biyobelirteçlerin etkileşimlerinin detaylı incelenmesi, tümör biyolojisi hakkında derinlemesine bilgi sunarak yeni moleküler hedeflerin ortaya çıkarılmasına zemin hazırlıyor.
Araştırmanın uygulama yönü, geliştirilen modellerin klinik karar destek sistemlerine (CDSS) entegre edilmesiyle taçlanacak gibi görünüyor. Onkolog ve patologlara, agresif hastalık fenotiplerini hızla belirlemede yardımcı olacak bu sistemler, düşük riskli hastalarda aşırı tedaviyi önlerken, yüksek risklileri yoğun bakım ve takip sürecine alarak etkinlik ile güvenliği dengeleyebilecek. Böylece, tedavi kaynaklarının rasyonel kullanımına ve hasta yönetiminde optimizasyona katkı sağlanacak.
Bu araştırma, büyük veri analitiği ile klinik onkoloji alanını birbirine bağlamak adına atılmış önemli bir adım oldu. Proteomik ve histolojik verilerin işlenmesinde kullanılabilen algoritmalar sayesinde, multidisipliner yaklaşımla klinik anlam taşıyan verilerin ortaya çıkarılması mümkün hale geldi. Kişiye özel onkoloji bakımının standart uygulama haline gelmesi için güçlü bir zemin oluşturuldu.
Çalışmanın öne çıkan bir diğer yönü ise SIMPLS, LCA, PCA ve partition analysis gibi farklı istatistiksel ve makine öğrenmesi tekniklerini harmanlaması oldu. Bu metodolojik çeşitlilik, sonuçların güvenilirlik ve tekrarlanabilirliğini güçlendirdi, böylece ML araçlarının onkolojik alanda kullanımı için güveni artırdı. Araştırma, ayrıca veri analizinde kapsamlı yaklaşımın kanser biyolojisinin karmaşıklığını kavramada ne kadar önemli olduğunu göstermiş oldu.
Her ne kadar hasta sayısı 140 ile sınırlı olsa da, veri toplama sürecinin çok yıllık ve moleküler çeşitlilik bakımından zengin olması bu sınırlılığı kısmen gidermektedir. Gelecekte yapılacak daha geniş ölçekli, çok merkezli çalışmalarda genomik, transkriptomik ve metabolomik verilerin entegre edilmesi, öngörü gücünü artıracak ve yeni biyobelirteçlerin keşfedilmesine olanak verecektir. Böylece, mide kanserine karşı daha etkin tanı ve tedavi yaklaşımları geliştirilecektir.
Çalışmanın vurguladığı bir diğer önemli nokta, biyobelirteçlerin etkileşimlerinin tekil değerlendirmeden daha anlamlı olduğudur. Kanser progresyonunun multifaktöriyel yapısı göz önüne alındığında, ML’nin sunduğu “büyük resim” yaklaşımı, tümör mikroçevresinin ve metastaz potansiyelinin zaman ve mekan boyutlu dinamiklerini yakalamada kritik öneme sahiptir. Bu, tek değişkenli analizlerin gözden kaçırdığı biyolojik süreçlerin anlaşılmasına kapı aralıyor.
Son olarak, partition analysis’ın biyobelirteç ilişkilerini klinikte kullanılabilir eşiğe indirgemedeki başarısı, ML’nin karmaşık veriyi anlaşılır kılma ve uygulamaya dönüştürme gücünü gösteriyor. Bu yöntem sayesinde moleküler sonuçlar somut klinik kriterlere dönüşüyor, tanı sürecinde yorumlayıcıların deneyiminden bağımsız, daha standardize kararlar alınabiliyor. Bu da hastaların doğru tedaviye yönlendirilmesini kolaylaştırıyor.
Özetle, bu öncü çalışmanın mide kanserinde makine öğrenmesi uygulamalarına önemli katkılar sağladığı görülüyor. Moleküler biyobelirteçlerin kapsamlı analizi ve gelişmiş hesaplamalı yöntemlerin entegrasyonu; prognozun iyileştirilmesi, alt tiplerin doğru sınıflandırılması ve bireyselleştirilmiş hasta yönetimi alanlarında yeni ufuklar açıyor. Mide kanserinin küresel yükü devam ederken, bu tür teknolojik yenilikler klinik sağkalım oranlarını yükseltme ve hastalık biyolojisini derinlemesine anlama yönünde umut veriyor.
Araştırma Konusu:
Makine öğrenmesi tekniklerinin mide kanserinde prognostik biyobelirteçlerin belirlenmesi, hastalık alt tiplerinin sınıflandırılması ve mortalite riskinin gruplandırılması amacıyla uygulanması.
Makale Başlığı:
Exploring the potential of machine learning in gastric cancer: prognostic biomarkers, subtyping, and stratification.
Web References:
https://doi.org/10.1186/s12885-025-14204-x
Doi Referans:
https://doi.org/10.1186/s12885-025-14204-x
Resim Credits:
Scienmag.com
Anahtar Kelimeler:
mide kanseri; biyolojik heterojenite; prognostik biyobelirteçler; makine öğrenmesi; SIMPLS algoritması; hastalık alt tipleri; mortalite riski; kişiselleştirilmiş tedavi; predictive partition analysis; karar destek sistemleri; moleküler prediktörler; epitel-mesenkimal geçiş.
