Kanser teşhisinde yapay zekâ araştırmaları yeni bir eşiğe ulaştı.
Paige ve Tempus araştırmacılarının Microsoft Research, Memorial Sloan Kettering Kanser Merkezi ve Yale Üniversitesi’nden bilim insanlarıyla geliştirdiği PRISM2 adlı yapay zekâ modeli, farklı kanser türlerini inceleyen patoloji görevlerinde dikkat çekici sonuçlar verdi.
31 Temmuz’da Nature Medicine dergisinde yayımlanan çalışmaya göre PRISM2, prostat ve meme kanserinin tespitinde klinik kullanım amacıyla geliştirilmiş uzman sistemlerin performansıyla eşleşti. Meme kanserinin lenf düğümlerine yayılımını belirlemeye yönelik testte ise karşılaştırıldığı uzman sistemi geçti.
Üstelik model bu sonuçlara her görev için baştan ayrıca eğitilmeden, doğal dilde sorulan sorulara yanıt vererek ulaştı.
Araştırmacılar bu yöntemi “istem tabanlı çıkarım” olarak tanımlıyor. Modele bir doku görüntüsü gösterilerek “Bu örnekte invaziv kanser var mı?” gibi bir soru yöneltilebiliyor ve PRISM2 olasılığa dayalı bir yanıt üretiyor.
Milyonlarca doku görüntüsünden öğrendi
PRISM2, 2,3 milyon tam dijital patoloji görüntüsü üzerinde eğitildi. Eğitim verileri yaklaşık 700 bin patoloji raporundan üretilen 14 milyon soru-cevap örneğini de içeriyor.
Patoloji görüntüleri son derece büyük ve ayrıntılı dosyalardan oluşuyor. Geleneksel sistemler çoğunlukla görüntünün küçük parçalarını ayrı ayrı inceliyor ve belirli bir görev için özel olarak eğitiliyor.
PRISM2 ise görüntünün tamamındaki binlerce bölgeyi bir araya getiriyor. Ardından görsel bulgular ile patologların raporlarda kullandığı klinik dili eşleştiriyor.
Bu sayede yalnızca “kanser var mı?” sorusuna değil;
- Kanserin türü,
- Kanser öncesi değişiklikler,
- İyi huylu bulgular,
- Bazı biyolojik göstergeler,
- Hastalığın seyri ve tekrar riski
gibi farklı araştırma sorularına uyarlanabilecek ortak bir temel sunmayı amaçlıyor.
Tek model, çok sayıda görev
Bugün kullanılan pek çok patoloji yapay zekâ sistemi belirli bir kanser türü veya belirli bir görev için geliştiriliyor.
Bir sistem prostat kanserini, diğeri meme kanserini, başka bir sistem lenf düğümü yayılımını inceliyor. Her yeni görev için yeni veri toplamak, sistemi yeniden eğitmek ve ayrı ayrı doğrulamak gerekiyor.
PRISM2’nin asıl önemi, tek bir genel modelin çok sayıda farklı göreve uyarlanabilmesinde yatıyor.
Çalışmada model; kanser tespiti ve sınıflandırmasının yanı sıra biyolojik belirteçlerin ve hastaların uzun dönem sonuçlarının tahmin edildiği araştırma testlerinde de önceki patoloji temel modelleriyle eşleşti veya onları geçti.
Araştırmacılar, gelecekte PRISM2 üzerine geliştirilecek sistemlerin riskli vakaları önceliklendirebileceğini, genel patologlara ikinci görüş sunabileceğini ve belirli doğrulama testlerinin daha erken istenmesine yardımcı olabileceğini düşünüyor.
Bunlar bugün hastanelerde çalışan özellikler değil, araştırmanın gösterdiği olası kullanım alanları.
Patoloğun yerini almak değil, gözünü güçlendirmek
Bir kanser örneği milyonlarca hücre ve çok büyük miktarda görsel ayrıntı içerebilir. Patologların görevi yalnızca tümörü fark etmek değil; tümörün türünü, yayılımını ve tedavi kararını etkileyebilecek özelliklerini de değerlendirmektir.
Yapay zekâ burada ikinci bir göz gibi çalışabilir:
- Şüpheli bölgeleri işaretleyebilir,
- Acil vakaları öne alabilir,
- Gözden kaçabilecek küçük odaklara dikkat çekebilir,
- Raporlarda eksik kalabilecek alanları hatırlatabilir,
- Uzman patolog bulunmayan bölgelerde ikinci görüş sağlayabilir.
Böyle bir sistemin amacı doktoru ortadan kaldırmak değil, çok büyük görüntü ve veri yükü içinde doktorun kararını desteklemek olabilir.
Henüz hastane koridorlarında değil
PRISM2’nin sonuçları güçlü olsa da model bugün bağımsız biçimde kanser teşhisi koyan onaylı bir tıbbi ürün değil.
Çalışma geriye dönük ve kimliksizleştirilmiş veriler üzerinde gerçekleştirildi. Araştırmacılar, eğitim görüntülerinin tek bir ana tarama altyapısından gelmesinin farklı hastanelerdeki dayanıklılık açısından ayrıca incelenmesi gerektiğini belirtiyor.
Doku alt türlerinin sınıflandırılması, hücrelerin konumsal ilişkileri ve eksiksiz rapor oluşturma gibi alanlarda da çözülmesi gereken sorunlar var.
Ayrıca çalışmanın yazarlarının bir bölümü Paige veya Tempus çalışanı ya da hissedarı. Bazı araştırmacılar yöntemle ilişkili patent başvurusunda mucit olarak yer alıyor. Bu durum sonuçları geçersiz kılmıyor; ancak bağımsız hastane çalışmalarının ve düzenleyici değerlendirmelerin önemini artırıyor.
Teşhiste yeni dönem mi?
PRISM2 tek başına kanser teşhisini değiştirmiş değil. Fakat yapay zekâ tabanlı patolojinin yönünü değiştirebilecek önemli bir yaklaşımı gösteriyor.
Asıl gelişme yalnızca bir testte daha yüksek doğruluk elde edilmesi değil. Tek bir modelin farklı dokuları ve farklı klinik soruları anlayabilecek ortak bir patoloji altyapısına dönüşmeye başlaması.
Gelecekte kanser teşhisi yalnızca doktorun mikroskop başında yaptığı incelemeye dayanmayabilir. Patolog, aynı görüntüyü milyonlarca örnekten öğrenmiş bir sistemle birlikte değerlendirebilir.
Teşhisin son sözü bugün hâlâ hekimde.
Ancak o sözü şekillendiren gözlerden biri giderek daha fazla yapay zekâ olabilir.
Kaynaklar
- Nature Medicine — End-to-end multimodal pathology foundation model with clinical dialogueHakemli çalışma / Birincil kaynak
- Tempus AI — PRISM2 çalışma açıklamasıKurumsal açıklama
- PubMed — Çalışma kaydı ve özetiBibliyografik kayıt