Beyin tümörleri, nadir olmasına rağmen, her yıl yaklaşık 250.000 yeni vakayla dünya çapında önemli bir sağlık sorunu oluşturmaktadır. Yalnızca Amerika Birleşik Devletleri’nde 2022’de 96.000’den fazla beyin tümörü vakası rapor edildi ve bunların yaklaşık 26.600’ü kanserdi.
Glioblastoma, en sık teşhis edilen beyin tümörü türüdür ve özellikle kötü prognoza sahiptir; tanıdan beş yıl sonra yalnızca %7’lik bir hayatta kalma oranı vardır.
Bu, beyin tümörlerinin teşhis edilmesi, tedavi edilmesi ve ilerleyişinin tahmin edilmesi için geliştirilmiş yöntemlere olan acil ihtiyacın altını çizmektedir.
Beyin tümörlerini yönetmedeki zorluklar
Çocuklarda yaygın orta hat glioma (DMG) ve yetişkinlerde glioblastoma, tedavi edilmesi en zor beyin tümörleri arasındadır ve mevcut tıbbi yaklaşımlarla çoğunlukla tedavi edilemez olarak kabul edilir.
Kişiye özel tedaviler, mümkün olan en az zararla tedavi sağlama konusunda en iyi şansa sahiptir. Ancak zorluk, beyin tümörlerinin teşhisi ve tedavisine ilişkin bilgilerin dağınık olması ve elde edilmesinin zor olmasıdır.
Yalnızca seçilmiş sayıda tıp merkezi en son tedavi tekniklerine erişebilir. Üstelik bu tedavilere ilişkin mevcut verilerin çoğu yalnızca bir veya birkaç kurumdan sağlanıyor ve bu da birçok kişi için bilginin genişliğini ve erişilebilirliğini sınırlıyor.
Bu tür verilere dayanan yönetim yaklaşımları ve teşhis kriterleri, demografik veri eksikliğine açıktır ve küresel olarak genelleştirilemeyebilir.
Sosyoekonomik eşitsizlik aynı zamanda bazı önemli testlere erişimi kısıtlayarak ve kombinasyon tedavilerinin olasılığını azaltarak geç teşhise, tedavi zorluklarına ve hayatta kalma süresinin azalmasına da katkıda bulunur. Buna glioblastoma için 06-Metilguanin-DNA-metiltransferaz (MGMT) testi de dahildir.
Çoğu durumda kesin tanı, evreleme ve tedavi takibi ihtiyacını karşılamak zordur.
Tümör genotipinin prognoza katkısı, görüntüleme ve biyopsi için sınırlı erişilebilirlik, intratümör heterojenliği ve tedavinin ilerlemesini izlemek için güvenilir olmayan biyobelirteçler dikkate alındığında, bu hastaların optimal bakımının önünde önemli engeller vardır.
Beyin Tümörü Paradigması
Çoğu durumda, fizik muayene ve nörogörüntülemeyle başlayarak şüpheli beyin tümörü tanısı konur. Bunu bir biyopsi izler. Mümkünse tümör ve diğer biyobelirteçler çıkarılarak histolojik ve moleküler analize tabi tutulur.
Terapi seçimi mevcut ve önerilen bakım uygulamalarına, halihazırda devam eden klinik araştırmalara, hastanın tıbbi durumuna ve toksisite risklerine bağlıdır. Manyetik rezonans görüntüleme (MRI), bazen beyin omurilik sıvısı (BOS) veya kan testleriyle desteklenen, tercih edilen takip yöntemidir.
“ Beyin tümörü tedavisine ilişkin kararlar genellikle nöro-onkologlar, beyin cerrahları, nöroradyologlar, moleküler patologlar ve nöropatologlar arasındaki multidisipliner toplantıları içerir ve bu kararların karmaşıklığının altını çizer .”
Yapay Zekânın Avantajları
Yapay zekâ, makine öğrenimi (ML) ve derin öğrenme (DL) tekniklerini, bilgisayarlı görmeyi (CV) ve bunların Hesaplamalı Biyoloji olarak entegrasyonunu içerir. ML, örüntü tanımada, DL ise ayrıntılı özelliklerin çıkarılmasında üstündür. CV, tıbbi veri sağlamak için görüntüleme verilerinin görsel yorumunu geliştirir.
Hesaplamalı biyoloji, biyolojik verileri ayrıştırmak için tüm bu yöntemleri kullanarak tümör genetiğini ve moleküler biyolojiyi anlamaya yardımcı olur.
Bu çalışma, yapay zeka destekli tümör radyolojisi, patolojisi ve genomik ilerlemelerini ortaya çıkarmayı amaçlamaktadır.
Yapay zeka, beyin tümörü yönetiminde birleşik bir veri kümesi olarak rollerini geliştirmek için tüm bu alanlara sinerjik olarak katkıda bulunur. Yapay zeka, MRI görüntüleme doğruluğunu iyileştirerek ve sonuçların alınma hızını artırarak klinisyenlerin tümör yönetimi kararlarında yön bulmasına yardımcı olabilir.
Görüntülemede tespit edilen anormalliklere karşı artırılmış hassasiyet, ayrıntılı görüntü analizi, optimize edilmiş iş akışları, birden fazla kaynaktan kapsamlı veri analizi ve insan gözlemcinin gözden kaçırabileceği kalıpları tespit etme olanağı sunar.
Yapay zeka algoritmaları, insan hatasını önleyerek tümörlerin yerinin daha verimli bir şekilde belirlenmesine yardımcı olur. nnU-Net algoritması tümör segmentasyonu konusunda başarılı olup radyasyonu veya cerrahi zararı azaltır.
Bu, yapay zekanın tümörü teşhis edip derecelendirmesine, prognozu belirlemesine ve bir izleme çerçevesi oluştururken tedaviyi planlamasına yardımcı olmasını sağlar.
Yapay zeka, büyük hacimli verileri işleme yeteneğinden yararlanarak kişiselleştirilmiş tedavinin fizibilitesini araştıran yeni klinik deneylerin bir parçası olabilir.
Yapay zeka, MRI ve bilgisayarlı tomografiden (BT) alınan görüntüleme verileri, radyomikler, histopatolojik veriler, genomikler, tümör hücrelerinden moleküler biyobelirteçler ve klinik veriler dahil olmak üzere çeşitli veri türlerini kullanır.
Nörogörüntüleme sıklıkla kontrast öncesi ve sonrası T1 ağırlıklı, T2 ağırlıklı, sıvıyla zayıflatılmış inversiyon kurtarma (FLAIR), difüzyon ağırlıklı (DWI) ve duyarlılık ağırlıklı görüntülemenin (SWI) yanı sıra özel merkezlerde kullanılır. MR spektroskopisi ve perfüzyon görüntüleme.
Moleküler biyobelirteçler arasında astrositomlar ve oligodendrogliomalar için IDH mutasyonları, glioblastomalar için TERT promoter mutasyonları, glioblastomalar için EGFR amplifikasyonu, glioblastomalar için kromozom 7 kazanımı ve kromozom 10 kaybı ve glioblastomalar için MGMT promoter metilasyonu bulunur.
Non-invazif dolaşımdaki tümör DNA’sı (ctDNA) analizi, bu tür tümörlerin teşhisi için daha yeni bir yöntemdir.
Yapay Zeka Platformları
3D U-Net, DeepMedic ve V-Net, tümör görüntülerinin ön işlenmesine yardımcı olarak analizi daha sağlam ve hassas hale getiren yapay zeka mimarileridir. Metilom profili oluşturma, AI/MI ve DeepGlioma gibi sistemler kullanılarak beyin tümörlerinin sınıflandırılmasında faydalıdır. Bu, 90 saniye içinde GMB moleküler teşhisine ilişkin sonuçlar sunmak için uyarılmış Raman histolojisini (SRH) kullanır.
Derin öğrenme görüntüleme imzası (DLIS) ve Terahertz spektroskopisi gibi, MRI perfüzyon taramalarından veya 18F-FET PET/CT taramalarından elde edilen radyomik verilere dayanarak IDH’yi ve diğer mutasyonları tahmin etmeye yönelik diğer sistemler araştırılmaktadır.
“Mersin balığı”, nanopore sıralı metilasyon dizisi verilerini kullanarak beyin tümörlerini intraoperatif olarak sınıflandırmaya yönelik başka bir DL yöntemidir. >%70 doğruluk oranıyla 40 dakikalık geri dönüş süresi, cerrahi karar vermede yardımcı olur.
İki temel klinik ve araştırma ölçütü olan genel sağkalımı ve ilerlemesiz sağkalımı tahmin etmek için görüntüleme verilerinden prognostik yardım sağlanıyor.
Histoloji ve moleküler biyoloji ile birleştirildiğinde olağanüstü tahmin performansı kanıtlanmıştır.
Bütünleşik Yaklaşımlar
Multimodal veri füzyon yaklaşımları, çoklu veri kaynaklarını kullanarak beyin tümörlerinin daha az invazif ve daha doğru anlaşılmasına yardımcı olabilir. Bu sonuçta yönetimin hastaya göre uyarlanmasına yardımcı olacaktır.
Buradaki zorluk, tekrarlanabilirlik ve genellenebilirliği sağlamak için veri toplama aralığını standartlaştırılmış özelliklerle diğer popülasyonlara ve tümör türlerine genişletmek ve çeşitlendirmektir.
Yapay zekanın benimsenmesi, önyargıları ortadan kaldırma, hukuki destek sağlama, kapsam ve faydaları şeffaf bir şekilde iletme, sorumlulukları tanımlama ve hastaları güvende tutma ihtiyacını vurgulayarak sağlık hizmetleri ve sosyal eşitsizlikleri daha da kötüleştirmemelidir.
“ Yapay zeka, kişiselleştirilmiş bilgiler sağlayarak ve ortak karar almayı mümkün kılarak hastaları güçlendirme potansiyeline sahip. Ancak mevcut eşitsizliklerin daha da kötüleşmesini önlemek için yapay zeka destekli sağlık hizmetlerine adil erişim ve karşılanabilirlik konusunun ele alınması gerekiyor .”
Kaynak haber için lütfen BURAYA tıklayınız.
Daha fazla içerik için lütfen BURAYA tıklayınız.