Biyoteknoloji / Sağlık
Meme Kanserinin Erken Teşhisini Geliştirmek İçin Yapay Zekâyı Kullanmak
Her yıl sadece Amerika’da 40.000 kadın meme kanseri yüzünden hayatını kaybediyor. Kanserlere erken teşhis yapıldığında ise çoğu zaman tedavi edilebiliyor. Mamografiler şu anda elimizde bulunan en iyi testler, ancak bunlar bile hala mükemmel değiller ve sık sık yanlış pozitif sonuçlar çıkarabiliyorlar. Bunun sonucundaysa gereksiz biyopsilere ve ameliyatlara neden olabiliyorlar.
Yanlış pozitiflerin ortak bir nedeni “yüksek riskli” lezyonlar (doku bozulmaları) olarak adlandırılır. İğne biyopsisinde test edildiğinde mamografide şüpheli gözükür ve anormal hücrelere sahiptirler. Bu durumda hastalar tipik olarak lezyonun alınması için ameliyata alınırlar, ancak bu lezyonların yüzde 90 ihtimalle ameliyat sırasında iyi huylu çıkarlar. Bunun anlamı da her yıl binlerce kadın hiç gereği olmayan acılı, pahalı ve yara izi bırakan bir ameliyata girerler.
Peki, bu gereksiz ameliyatlar kanserin teşhisinde hala önemli bir rol oynayan mamografi kullanılırken nasıl ortadan kaldırılabilir? MIT’nin Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachussets General Hospital ve Harvard Tıp Fakültesi araştırmacıları bu sorunun cevabının yapay zekâda (AI) yattığına inanıyorlar.
Ekipler, makine öğrenmesini kullanarak bir mamografiden sonra iğne biyopsisinde saptanan yüksek riskli bir lezyon cerrahide kansere dönüşecekse bu durumu AI’ın önceden tahmin edebilmesi için AI’da algılamayı ve tanıyı geliştirebilmek amacıyla işbirliği yaptılar.
Model, 335 yüksek riskli lezyonda test edildiğinde başarılı bir şekilde meme kanserlerinin yüzde 97’sinin kötü huylu olduğunu tespit etti ve mevcut yaklaşımlara kıyasla iyi huylu ameliyatların sayısını yüzde 30'un altına düşürdü. MIT’nin Delta Electronics’te Elektrik Mühendisliğinde profesör ve Computer Science’ta çalışan ve hatta meme kanserinden bizzat kurtulan Regina Barzilay, doktorların meme kanserinin teşhisinde kullandıkları araçların çok hatalı olduğunun üzerinde durdu. Ayrıca verilerde bu kadar kesinliğin olmayışında da makine öğreniminin tam olarak tespitini iyileştirmek ve gereksiz ameliyatları önlemek için ihtiyaç duyulan araç olduğunu belirtti. 600'den fazla mevcut yüksek riskli lezyonlar hakkında bilgi edinen model, birçok farklı veri öğesi arasında kalıp arar. Buna demografiler, aile geçmişi, geçmiş biyopsiler ve patoloji raporları da dâhil.
Harvard Tıp Fakültesi’nde Profesör ve MGH’nin Radyoloji Bölümünde Breast Imaging Division Başkanı Constance Lehman: “Bildiğimiz kadarıyla bu çalışma, makine öğreniminin yüksek riskli lezyonların ameliyata ihtiyaç duyulan ile duyulmayanını ayırt etme görevinde kullanılan ilk çalışmadır. Bunun, kadınları tedavi hakkında daha bilinçli kararlar almalarını sağlayabileceğine inanıyoruz. Böylelikle genel sağlık hizmetlerine daha kesin yaklaşımlar sağlayabiliriz” dedi.
Nasıl Çalışıyor?
Bir mamografide şüpheli bir lezyon tespit edildiğinde kanser olup olmadığını belirlemek için bir iğne biyopsisi yapılır. Bunların kabaca yüzde 70’i iyi huylu, yüzde 20’si kötü huylu ve yüzde 10’uysa yüksek riskli lezyonlardır. Doktorlar yüksek riskli lezyonları farklı yöntemlerle ele alırlar. Bazıları tüm vakalarda ameliyat yaparlar bazılarıysa sadece çok yüksek kanser riski oranı olan lezyonlar için ameliyat yaparlar, “atypical ductal hyperplasia” (ADH) gibi ya da “lobular carcinoma in situ” (LCIS) gibi.
İlk yaklaşım hastanın acı çektirici, zaman isteyen ve genellikle önemsiz pahalı bir ameliyata gereksinim duyuyordu. İkinci yaklaşım ise kesin olmayan ve ADH ve LCIS dışındaki yüksek riskli lezyonlarda kanser eksikliğine neden olabilir.
Massachusetts General Hospital Breast Imaging Fellowship Programı’ndanManisha Bahl: “Yüksek riskli lezyonları olan hastaların büyük çoğunluğunun kanseri yoktur ve biz bu çalışmayı yapabilmek için azınlığı bulmaya çalışıyoruz.Tespit edilebilen kanser sayısını arttırdığınızda aynı zamanda yanlış pozitif bulabilme sayısını da arttırırsınız, böyle bir senaryoda her zaman risk vardır” dedi.
“Random-forest classifier” olarak da bilinen bir metodu kullanılarak daha az gereksiz ameliyatlarla sonuçlanan ekibin modeli, her zaman ameliyat yapma stratejisi ile kıyaslandı. Bu kıyaslama yapılırken aynı zamanda daha fazla kanser teşhisi yapılmasının, sadece “yüksek riskli lezyonlara” yapılan geleneksel ameliyatlardan daha iyi olduğu sonuçları ortaya çıktı. (Model kanserin yüzde 97’sini tespit ederken geleneksel yöntemler yüzde 79 ile sınırlı kaldı.)
San Francisco’daki Kaliforniya Üniversitesi Radyoloji ve Biyomedikal Görüntüleme Anabilim Dalı Klinik Bilişim Başkanı Marc Kohli: “Bu çalışma, gereksiz ameliyatlardan kaçınmak için ileri teknoloji makine öğrenme teknolojisini kullanmanın bir örneğine ışık tutmaktadır. İnsanlar için görünmeyen kalıpları ve eğilimleri tanımlamanın bir yolu olarak, makine öğrenimini kucaklayan tıp toplumuna doğru atılan ilk adımdır” dedi.
Lehman, MGH radyologlarının modelin klinik uygulamalarına gelecek yıl işbirliği yapılarak başlanacağını söyledi. Lehman: “Geçmişte tüm yüksek riskli lezyonların ameliyatla alınmasını tavsiye etmiş olabiliriz, ama artık model lezyonun belirli bir hastada kanser olma ihtimalinin çok düşük olduğunu tespit ederse seçeneklerimiz hakkında hastamızla daha bilinçli bir görüşme yapabiliriz. Belki bazı hastalar lezyonlarını ameliyatla almak yerine görüntüleme ile takip etmeyi mantıklı bulabilir” dedi. Ekip, modeli daha da ileri götürmek için hala çalıştıklarını söylüyor.
Bahl: “Gelecekteki çalışmalarda, patoloji slaytlarının mamografilerinden ve görüntülerinden elde edilen gerçek görüntülerin yanı sıra tıbbi kayıtlardan daha kapsamlı hasta bilgilerini de dâhil etmeyi umuyoruz” dedi. Modelde ilerleyebilirsek diğer kanser türlerine ve hatta başka hastalıklara da uygulanacak şekilde kolaylıklar ayarlanabilir. Barzilay: “Böyle bir model, spesifik bir sonuçla ilişkili birçok farklı faktörün olması durumunda her zaman işe yarayacaktır. Umarım, tıbbi teşhise yönelik tek boyutlu her yaklaşımın ötesine geçmeye başlamamızı sağlayacaktır” dedi.
Fotoğrafta soldan sağa doğru: Massachusetts General Hospital Breast Imaging Fellowship Programı’ndan Manisha Bahl, MIT Profesörü Regina Barzilay (ortada) ve Harvard Tıp Fakültesi’nde Profesör ve MGH’nin Radyoloji Bölümünde Breast Imaging Division Başkanı Constance Lehman. Fotoğraf: Jason Dorfman/CSAIL
