Yapay Zekanın tümör hücrelerini tespit etme yeteneği, daha doğru kemik kanseri prognozunun anahtarı olabilir

Kyushu Üniversitesi’ndeki araştırmacılar, en yaygın kötü huylu kemik tümörü olan osteosarkomun patolojik görüntülerinde tedaviden sonra hayatta kalan tümör hücrelerinin yoğunluğunu doğru bir şekilde değerlendirebilen bir makine öğrenme modeli geliştirdi ve doğruladı. Model, bireysel tümör hücrelerinin tedaviye nasıl tepki verdiğini değerlendirebiliyor ve genel hasta prognozunu geleneksel yöntemlere göre daha güvenilir bir şekilde tahmin edebiliyor.

Cerrahi ve kemoterapi, lokalize osteosarkomlu hastaların sonuçlarını önemli ölçüde iyileştirmiştir. Bununla birlikte, ilerlemiş metastatik hastalığı ( kanserli hücrelerin uzak dokulara yayıldığı aşama ) olan hastaların hayatta kalma oranı düşüktür. Standart bir cerrahi ve kemoterapi tedavisinden sonra hastaların prognozunun değerlendirilmesi, sonraki bireysel tedavi planlarının belirlenmesi açısından önemlidir. Ancak hasta sonuçlarını tahmin etmenin birçok zorluğu vardır.

Şu anda prognoz, patologların bir tümör içindeki ölü doku oranını değerlendirmesini içeren nekroz oranı değerlendirmesine dayanmaktadır. Ne yazık ki, bu yöntemler patologların değerlendirmeleri arasındaki değişkenlik nedeniyle sınırlıdır ve tedavi yanıtını doğru şekilde tahmin edemeyebilir.

Daha hızlı ve daha doğru teşhislere olan ihtiyacın farkına vararak, Japonya’daki Kyushu Üniversitesi Tıp Bilimleri Enstitüsü Ortopedi Cerrahisi Anabilim Dalı’ndan Dr. Kengo Kawaguchi ve Dr. Kazuki Miyama ile öğretim görevlisi Dr. Makoto Endo, ortak yazarlar Kyushu Üniversite Hastanesi Ortopedi Cerrahisi bölümü, işbirlikçileriyle birlikte daha incelikli bir değerlendirme için yapay zekaya (AI) yöneldi. Dr. Endo’nun başkanlığını yaptığı multidisipliner ekip, Kyushu Üniversitesi’nden Profesör Ryoma Bise, Profesör Yoshinao Oda ve Profesör Yasuharu Nakashima’dan oluşuyordu.

Dr. Endo, npj Precision Oncology dergisinde yayınlanan araştırmalarının ardındaki mantığı şöyle açıklıyor: “Geleneksel yöntemde nekroz oranı, değerlendiriciler arasında yeterince tekrarlanamayan ve tek tek hücre sayımlarından ziyade nekrotik bir alan olarak hesaplanır. antikanser ilaçlarının etkilerini yeterince yansıtmıyor. Bu nedenle tahmini iyileştirmek için yapay zekayı kullanmayı düşündük.”

Araştırmanın 1. aşamasında ekip, hayatta kalan tümör hücrelerini tespit etmek için derin öğrenme modeli adı verilen bir tür yapay zekayı eğitti ve hasta verilerini kullanarak tespit performansını doğruladı. Yapay zeka modeli, uzman patologların yetenekleriyle uyumlu olarak, patolojik görüntülerde canlı tümör hücrelerini tespit etme konusunda yeterlilik gösterdi.

2. aşamada, araştırmacılar iki temel ölçümü analiz etti: doğrudan hastalığın neden olduğu ölüm olmaksızın teşhis veya tedaviden sonraki süreyi izleyen hastalığa özgü hayatta kalma ve kanser hücrelerinin vücuda yayılması olmadan tedavi sonrası süreyi izleyen metastazsız hayatta kalma. uzak vücut parçaları. Ayrıca AI tarafından tahmin edilen canlı tümör hücresi yoğunluğu ile prognoz arasındaki korelasyonu da araştırdılar. Özellikle AI modeli, iyi bir tekrarlanabilirlik ile patoloğunkine benzer tespit performansı ve hassasiyeti gösterdi.

 Daha sonra araştırmacılar, hastaları canlı tümör hücre yoğunluğunun 400/ mm2’nin üstünde veya altında olmasına göre gruplara ayırdı . Hayatta kalma analizi, yüksek yoğunluklu grubun daha kötü bir prognoz gösterdiğini, düşük yoğunluklu grubun ise hastalığa özgü hayatta kalma ve metastazsız hayatta kalma açısından daha iyi bir prognoz gösterdiğini ortaya çıkardı.

Nekroz oranı ise hastalığa özgü sağkalım veya metastazsız sağkalım ile ilişkili değildi. Ayrıca, bireysel vakaların analizi, AI tarafından tahmin edilen canlı tümör hücre yoğunluğunun, nekroz oranından daha güvenilir bir prognoz belirleyicisi olduğunu ortaya çıkardı.

Genel olarak bu bulgular, canlı tümör hücrelerinin AI bazlı ölçümünün, doğal maligniteyi (kanserin yayılma yeteneği) ve osteosarkomların bireysel tümör hücresi tepkisini yansıttığını göstermektedir. Yapay zekanın patolojik görüntülerin analizine dahil edilmesi, tespit doğruluğunu artırır, değerlendiriciler arası değişkenliği azaltır ve zamanında değerlendirme yapılmasını sağlar.

Ayrıca, kemoterapiyi takiben çoğalmaya devam etme yeteneklerini yansıtan canlı tümör hücrelerinin tahmini, tedavi yanıtının hücre ölümünden daha güvenilir bir öngörücüsüdür. Bu çalışmada geliştirilen yapay zeka modelinin büyük ölçekli doğrulanması, gerçek hayattaki klinik ortamlarda daha geniş bir şekilde uygulanmasına yardımcı olabilir.

“Bu yeni yaklaşım, kemoterapiyle tedavi edilen osteosarkom hastalarına yönelik prognozların doğruluğunu artırma potansiyeline sahip. Gelecekte yapay zekayı, epidemiyoloji, patogenez ve etiyolojide sınırlı ilerlemeler görülen osteosarkom gibi nadir hastalıklara aktif olarak uygulamayı planlıyoruz.

Dr. Endo sözlerini şöyle bitiriyor: “On yıllar geçmesine rağmen, özellikle tedavi stratejilerinde önemli bir ilerleme sağlanamıyor. Yapay zekanın soruna dahil edilmesiyle bu durum nihayet değişebilir.”(Medicalxpress)