Yapay Zeka, Patologlar Kadar İyi Çölyak Hastalığını Teşhis Ediyor
Cambridge Üniversitesi’nden bilim insanlarının geliştirdiği bir makine öğrenimi algoritması, biyopsilere dayanarak Çölyak hastalığını 100 vakadan 97’sinde doğru bir şekilde teşhis edebildi; bu, yeni bir araştırmanın sonucu.
Dört NHS hastanesinden alınan yaklaşık 3.400 taranmış biyopsi ile eğitilen bu yapay zeka aracı, Çölyak hastalığının teşhisini hızlandırabilir, yoğun sağlık kaynakları üzerindeki baskıyı hafifletebilir ve patolog eksikliğinin ciddi olduğu gelişmekte olan ülkelerde teşhisi iyileştirebilir. Araştırma, 27 Mart 2025 tarihinde New England Journal of Medicine AI dergisinde yayımlandı.
Dijital Çözümler ve Çölyak Hastalığı
Teşhis testlerinin analizini hızlandıran veya otomatikleştiren dijital araçlar, patologlar üzerindeki talebi azaltmada gerçek bir potansiyel gösteriyor. Bu çalışmaların çoğu kanser tespitine odaklanmış olsa da, araştırmacılar artık diğer hastalık türlerini teşhis etme fırsatlarını inceliyor.
Cambridge Üniversitesi’nden bilim insanlarının odaklandığı durumlardan biri, gluten tüketimiyle tetiklenen bir otoimmün hastalık olan Çölyak hastalığı. Bu hastalık, karın krampları, ishal, deri döküntüleri, kilo kaybı, yorgunluk ve anemi gibi semptomlara neden oluyor. Semptomlar bireyler arasında büyük farklılıklar gösterdiğinden, hastaların doğru bir teşhis alması genellikle zor oluyor.
Çölyak hastalığını teşhis etmenin altın standardı, duodenum (ince bağırsağın bir kısmı) biyopsisi yoluyla gerçekleşiyor. Patologlar daha sonra örneği mikroskop altında veya bilgisayarda analiz ederek, ince bağırsağın içini kaplayan küçük, kıl benzeri çıkıntılar olan villi’deki hasarı arıyor.
Biyopsileri yorumlamak, genellikle ince değişiklikler içerdiğinden öznel olabiliyor. Patologlar, vakanın şiddetini değerlendirmek için Marsh-Oberhuber ölçeği adı verilen bir sınıflandırma sistemi kullanıyor; bu ölçek sıfırdan (villi normal, hastanın hastalığı olma olasılığı düşük) dörde (villi tamamen düzleşmiş) kadar uzanıyor.
Yapay Zekanın Performansı
Cambridge araştırmacıları, biyopsi görüntü verilerini sınıflandırmak için bir makine öğrenimi algoritması geliştirdi. Algoritma, beş farklı hastaneden, dört farklı şirketin beş farklı tarayıcısıyla elde edilen 4.000’den fazla görüntü içeren büyük ölçekli, çeşitli bir veri seti üzerinde eğitildi ve test edildi.
Patoloji Bölümü ve Churchill College’dan kıdemli yazar Profesör Elizabeth Soilleux, “Çölyak hastalığı her 100 kişiden birini etkileyebiliyor ve ciddi hastalıklara yol açabiliyor, ancak teşhis almak basit değil,” diyor ve ekliyor: “Doğru bir teşhis almak yıllarca sürebilir ve sağlık sistemleri üzerindeki yoğun baskılar nedeniyle bu gecikmeler devam edebilir. Yapay zeka, bu süreci hızlandırarak hastaların daha hızlı teşhis almasını sağlayabilir ve NHS bekleme listelerindeki baskıyı azaltabilir.”
Ekip, algoritmalarını daha önce görülmemiş bir kaynaktan gelen yaklaşık 650 görüntüden oluşan bağımsız bir veri seti üzerinde test etti. Orijinal patolog teşhisleriyle karşılaştırmalara dayanarak, modelin teşhislerinin 100 vakadan 97’sinden fazlasında doğru olduğu gösterildi.
Modelin duyarlılığı %95’in üzerinde – yani Çölyak hastalığı olan 100 kişiden 95’inden fazlasını doğru bir şekilde tespit etti. Ayrıca özgüllüğü neredeyse %98 – yani hastalığı olmayan 100 kişiden yaklaşık 98’ini doğru bir şekilde belirledi.
Patologlarla Karşılaştırma
Ekip daha önceki araştırmalarında, patologların bile teşhislerde anlaşmazlık yaşayabileceğini göstermişti. 100 slayt gösterilip bir hastanın Çölyak hastalığı olup olmadığı, hastalığının bulunmadığı veya teşhisin belirsiz olduğu sorulduğunda, beş vakadan birinden fazlasında anlaşmazlık olduğu ortaya çıkmıştı.
Bu kez, araştırmacılar dört patoloğa 30 slayt incelettirdi ve bir patoloğun yapay zeka modeliyle anlaşma olasılığının, ikinci bir patologla anlaşma olasılığı kadar olduğunu buldu.
Patoloji Bölümü’nden Dr. Florian Jaeckle, aynı zamanda Hughes Hall’da Araştırma Görevlisi, “Bu, yapay zekanın bir bireyin Çölyak hastalığı olup olmadığını deneyimli bir patolog kadar doğru bir şekilde teşhis edebildiğini ilk kez gösteriyor,” diyor ve ekliyor: “Farklı koşullar altında üretilmiş veri setleri üzerinde eğittiğimiz için, biyopsilerin farklı şekilde işlendiği ve görüntülendiği çok çeşitli ortamlarda çalışabileceğini biliyoruz.
“Bu, teşhisleri hızlandırmak ve patologların zamanını daha karmaşık veya acil vakalara odaklamak için önemli bir adım. Bir sonraki adım, algoritmayı çok daha büyük bir klinik örnekte test etmek; bu, cihazı düzenleyiciyle paylaşmamıza olanak tanıyarak NHS’de kullanımına bir adım daha yaklaşmamızı sağlayacak.”
Hasta ve Toplum Desteği
Araştırmacılar, yaklaşımlarını paylaşmak ve bu tür teknolojilere olan ilgilerini tartışmak için Coeliac UK gibi hasta gruplarıyla çalıştı.
Dr. Jaeckle, “Hastalarla konuştuğumuzda, genellikle Çölyak hastalığını teşhis etmek için yapay zekanın kullanılmasına çok açıklar,” diyor ve ekliyor: “Bu, şüphesiz kısmen teşhis alma konusundaki zorluklar ve gecikmelerle ilgili deneyimlerini yansıtıyor.
“Hem hastalar hem de klinisyenlerle sıkça ortaya çıkan bir konu, ‘açıklanabilirlik’ meselesi – yapay zekanın teşhisine nasıl ulaştığını anlamak ve açıklamak. Araştırmacılar ve düzenleyiciler olarak, tıpta yapay zeka uygulamalarına halkın güvenini sağlamak istiyorsak bunu akılda tutmamız önemli.”
Profesör Soilleux, Cambridge Üniversitesi Hastaneleri NHS Vakfı Güven’de danışman hematopatolog olarak görev yapıyor. Dr. Jaeckle ile birlikte, algoritmayı ticarileştirmek için Lyzeum Ltd adında bir yan şirket kurdu.
Araştırma, Coeliac UK, Innovate UK, Cambridge Veri Odaklı Keşif Merkezi ve Ulusal Sağlık ve Bakım Araştırmaları Enstitüsü tarafından finanse edildi.
Coeliac UK Araştırma Görevlisi Keira Shepherd, “Teşhis sürecinde, hastaların teşhisin doğru olması için gluten diyetinde kalması çok önemli. Ama bu rahatsız edici semptomlara neden olabilir. Bu yüzden hızlı ve doğru bir teşhis alabilmeleri gerçekten önemli,” diyor ve ekliyor:
“Bu araştırma, teşhis yolculuğunun bir kısmını hızlandırmanın potansiyel bir yolunu gösteriyor. Coeliac UK olarak, bu çalışmanın erken aşamalarını finanse etmekten – ki bu başlangıçta sağlıklı kontrol biyopsileri ile Çölyak hastalarının biyopsilerini ayırt etmek için bir sistem eğitmeye odaklanmıştı – gurur duyuyoruz. Umarız bir gün bu teknoloji, hastaların hızlı ve doğru bir teşhis almasına yardımcı olmak için kullanılır.”
Bilimsel Referans
Florian Jaeckle, James Denholm, Benjamin Schreiber, Shelley C. Evans, Mike N. Wicks, James Y. H. Chan, Adrian C. Bateman, Sonali Natu, Mark J. Arends, Elizabeth Soilleux. Machine Learning Achieves Pathologist-Level Celiac Disease Diagnosis. NEJM AI, 2025; 2 (4) DOI: 10.1056/AIoa2400738
İlk yorum yapan siz olun