Yapay Zeka Onkolojiyle Buluşuyor

Yapay Zeka Onkolojiyle Buluşuyor: Yeni Model Mesane Kanseri Tedavisini Kişiselleştiriyor

Weill Cornell Medicine araştırmacıları, yapay zeka (AI) ve makine öğrenimi teknolojilerinin gücünden yararlanarak, kas invaziv mesane kanseri hastalarının kemoterapiye nasıl yanıt vereceğini öngören daha etkili bir model geliştirdi. Tümörün tam slayt görüntüleme verileriyle gen ekspresyon analizlerini birleştiren bu model, yalnızca tek bir veri türüne dayanan önceki modelleri geride bırakıyor.

npj Digital Medicine dergisinde 22 Mart 2025 tarihinde yayımlanan çalışma, tedavi başarısını belirleyebilecek kilit genleri ve tümör özelliklerini tanımlıyor. Bir bireyin standart bakım terapisi olan kemoterapiye nasıl tepki vereceğini doğru bir şekilde öngörmek, doktorların tedaviyi kişiselleştirmesine yardımcı olabilir ve iyi yanıt veren hastalarda mesane çıkarılmasını önleyebilir.

Hassas Tıbbın Ruhu

Weill Cornell Medicine Nüfus Sağlığı Bilimleri Profesörü ve Dijital Sağlık için Yapay Zeka Enstitüsü’nün kurucu direktörü, çalışmanın ortak lideri Dr. Fei Wang, “Bu çalışma, hassas tıbbın ruhunu temsil ediyor,” diyor.

“Doğru hastaya, doğru zamanda, doğru tedaviyi belirlemek istiyoruz,” diye ekliyor çalışmanın diğer ortak lideri Dr. Bishoy Morris Faltas, Gellert Ailesi-John P. Leonard MD Hematoloji ve Tıbbi Onkoloji Araştırma Bursiyeri, Tıp ve Hücre ile Gelişim Biyolojisi Doçenti, NewYork-Presbyterian/Weill Cornell Tıp Merkezi’nde onkolog, Englander Hassas Tıp Enstitüsü’nün baş araştırma görevlisi ve Sandra ve Edward Meyer Kanser Merkezi üyesi.

Nüfus Sağlığı Bilimleri Araştırma Görevlisi Dr. Zilong Bai ve Tıp Doktora Sonrası Görevlisi Dr. Mohamed Osman, bu çalışmayı ortaklaşa yürüttü.

Daha İyi Model, Daha İyi Tahminler

Daha iyi bir öngörü modeli oluşturmak için iki lider araştırmacı bir araya geldi. Dr. Wang’ın laboratuvarı veri madenciliği ve son teknoloji makine öğrenimi analizlerine odaklanırken, Dr. Faltas mesane kanseri biyolojisi konusunda uzman bir doktor-bilim insanı.

Ekip, yetişkin kanserleri için çok merkezli klinik denemeler tasarlayan ve yürüten SWOG Kanser Araştırma Ağı’ndan verilere yöneldi. Spesifik olarak, hazırlanmış tümör örneklerinden elde edilen görüntü verilerini, genlerin “açık” veya “kapalı” olduğu bir anlık görüntüsünü sağlayan gen ekspresyon profilleri ile entegre ettiler.

Dr. Faltas, “Önceki çalışmalarda yalnızca ekspresyon kalıpları hastaların yanıtlarını öngörmek için yeterli olmadığından, modelimize daha fazla bilgi eklemeye karar verdik,” diyor.

Görüntüleri analiz etmek için araştırmacılar, kanser hücreleri, bağışıklık hücreleri ve fibroblastların tümör içinde nasıl organize olup etkileşime girdiğini yakalayan özel AI yöntemleri olan graf nöral ağlar’ı kullandı. Ayrıca, tümör bölgesindeki farklı hücre tiplerini tanımlamak için otomatik görüntü analizi uyguladılar.

Görüntü temelli girdileri gen ekspresyon verileriyle birleştirerek AI destekli derin öğrenme modelini eğitip test eden ekip, yalnızca gen ekspresyonu veya görüntüleme kullanan modellere kıyasla daha iyi klinik yanıt tahminleri elde etti.

Dr. Wang, “0 ile 1 arasında bir ölçekte, 1 mükemmel ve 0 hiçbir şeyin doğru olmadığı anlamına gelirken, çok modlu modelimiz 0.8’e yakın bir sonuç alıyor; yalnızca tek bir veri kaynağına dayanan tek modlu modeller yaklaşık 0.6’yı başarıyor,” diyor ve ekliyor: “Bu zaten heyecan verici, ama modeli daha da geliştirmeyi planlıyoruz.”

Biyobelirteç Arayışı

Araştırmacılar, klinik sonuçları öngören genler gibi biyobelirteçler ararken anlamlı ipuçları buluyor. Dr. Faltas, “Biyolojik olarak ilgili olduğunu bildiğim bazı genleri görebiliyordum, bunlar rastgele genler değildi,” diyor ve ekliyor: “Bu, güven vericiydi ve önemli bir şeyin peşinde olduğumuzun bir işaretiydi.”

Ekip, modele daha fazla veri türü eklemeyi planlıyor; örneğin kan veya idrarda tespit edilebilen tümör DNA’sının mutasyon analizleri veya mesanede hangi hücre tiplerinin bulunduğunu daha hassas bir şekilde tanımlayacak uzamsal analizler. Dr. Faltas, “Çalışmamızın kilit bulgularından biri, verilerin tahminleri iyileştirmek için sinerji yaratması,” diyor.

Model ayrıca, Dr. Faltas ve Dr. Wang’ın daha fazla test etmeyi planladığı yeni hipotezler önerdi. Örneğin, tümör hücrelerinin normal doku hücrelerine (fibroblastlar gibi) oranı, kemoterapiye yanıt tahminlerini etkiliyor. “Belki de fibroblast bolluğu, tümör hücrelerini kemoterapötik ilaçlardan koruyor veya kanser hücresi büyümesini destekliyor. Bu biyolojiye daha derinlemesine dalmak istiyorum,” diye ekliyor Dr. Faltas.

Gelecek Adımlar

Bu arada Dr. Wang ve Dr. Faltas, bulgularını diğer klinik deneme kohortlarında doğrulama üzerinde çalışacak ve iş birliklerini genişleterek modelin daha geniş bir hasta popülasyonunda terapötik yanıtı öngörüp öngöremeyeceğini belirlemeye açık.

Dr. Faltas, “Hayalim, hastalar ofisime geldiğinde, tüm verilerini AI çerçevesine entegre edebileyim ve onlara belirli bir terapiye nasıl yanıt vereceklerini öngören bir skor vereyim,” diyor ve ekliyor: “Bu olacak. Ama benim gibi doktorların bu AI tahminlerini nasıl yorumlayacağını öğrenmesi, onlara güvenebileceğini bilmesi ve hastalarıma da güven duyabilecekleri bir şekilde açıklaması gerekecek.”

Bilimsel Referans

Zilong Bai, Mohamed Osman, Matthew Brendel, Catherine M. Tangen, Thomas W. Flaig, Ian M. Thompson, Melissa Plets, M. Scott Lucia, Dan Theodorescu, Daniel Gustafson, Siamak Daneshmand, Joshua J. Meeks, Woonyoung Choi, Colin P. N. Dinney, Olivier Elemento, Seth P. Lerner, David J. McConkey, Bishoy M. Faltas, Fei Wang. Predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer via interpretable multimodal deep learning. npj Digital Medicine, 2025; 8 (1) DOI: 10.1038/s41746-025-01560-y