01:09:00

Yapay zekâ aracı ameliyat sırasında gerçek zamanlı beyin tümörü profili çıkararak tedavi kararlarına rehberlik ediyor…

Bilim insanları, ameliyat sırasında bir beyin tümörünün moleküler kimliğini belirlemek için – mevcut yaklaşım altında birkaç gün ve birkaç haftaya kadar sürebilen kritik bilgiler – DNA’sını hızlı şekilde çözebilen bir yapay zekâ aracı tasarladılar…

Bir tümörün moleküler tipinin bilinmesi, beyin cerrahlarının ne kadar beyin dokusu çıkarılacağı ve tümör öldürücü ilaçların doğrudan beyne yerleştirilip yerleştirilmeyeceği gibi kararları hasta ameliyat masasındayken vermelerini sağlıyor.

Harvard Tıp Fakültesi araştırmacıları tarafından yürütülen çalışmaya ilişkin bir rapor Med dergisinde yayımlandı.

Ameliyat sırasında bir hücredeki DNA değişikliklerini detaylandıran doğru moleküler tanı, bir beyin cerrahının ne kadar beyin dokusu çıkaracağına karar vermesine yardımcı olabilir. Tümör daha az agresifken çok fazla doku çıkarılması hastanın nörolojik ve bilişsel işlevlerini etkileyebilir. Aynı şekilde, tümör oldukça agresif olduğunda çok azının çıkarılması, geride hızla büyüyebilen ve yayılabilen kötü huylu doku bırakabilir.

“Şu anda, en gelişmiş klinik uygulamalar bile ameliyat sırasında tümörlerin moleküler profilini çıkaramıyor. Aracımız, dondurulmuş patoloji slaytlarından şimdiye kadar kullanılmamış biyomedikal sinyalleri çıkararak bu zorluğun üstesinden geliyor," diyor HMS Blavatnik Enstitüsü‘nde biyomedikal bilişim profesörü olan çalışmanın kıdemli yazarı Kun-Hsing Yu.

Yu, ameliyat sırasında bir tümörün moleküler kimliğini bilmenin de değerli olduğunu, çünkü bazı tümörlerin ameliyat sırasında doğrudan beyne yerleştirilen ilaç kaplı gofretlerle yerinde tedaviden fayda sağladığını söyledi.

Yu, “Ameliyat sırasında gerçek zamanlı olarak intraoperatif moleküler tanıyı belirleme yeteneği, gerçek zamanlı hassas onkolojinin gelişimini destekleyebilir" diye ekledi.

Şu anda kullanılan standart intraoperatif tanı yaklaşımı, beyin dokusunun alınması, dondurulması ve mikroskop altında incelenmesini içeriyor. Bunun en büyük dezavantajı, dokunun dondurulmasının mikroskop altında hücrelerin görünümünü değiştirme eğiliminde olması ve klinik değerlendirmenin doğruluğunu engelleyebilmesidir. Ayrıca, insan gözü, güçlü mikroskoplar kullanıldığında bile, bir slayt üzerindeki ince genomik varyasyonları güvenilir bir şekilde tespit edemez.

Yeni yapay zekâ yaklaşımı bu zorlukların üstesinden geliyor.

CHARM (Cryosection Histopathology Assessment and Review Machine) adı verilen araç, diğer araştırmacılar tarafından ücretsiz olarak kullanılabiliyor. Araştırma ekibi, aracın gerçek dünya ortamlarında test edilerek klinik olarak doğrulanması ve hastanelerde kullanılmadan önce FDA tarafından onaylanması gerektiğini söyledi.

Kanserin moleküler kodunu kırmak
Genomik alanındaki son gelişmeler, patologların moleküler imzaları ve bu imzaların işaret ettiği davranışları çeşitli beyin kanseri türlerinin yanı sıra belirli beyin kanseri türleri arasında da ayırt etmelerine olanak sağlamıştır. Örneğin, en agresif beyin tümörü ve en yaygın beyin kanseri türü olan glioma, farklı moleküler belirteçler taşıyan ve büyüme ve yayılma için farklı eğilimlere sahip üç ana alt değişkene sahiptir.

Yeni aracın moleküler teşhisi hızlandırma yeteneği, hızlı kanser genetik dizilimi gerçekleştirecek teknolojiye sınırlı erişimi olan bölgelerde özellikle değerli olabilir.

Ameliyat sırasında verilen kararların ötesinde, bir tümörün moleküler tipinin bilinmesi, saldırganlığı, davranışı ve çeşitli tedavilere olası yanıtı hakkında ipuçları sağlar. Bu tür bilgiler ameliyat sonrası kararları bilgilendirebilir.

Ayrıca yeni araç, Dünya Sağlık Örgütü‘nün gliomların teşhisi ve ciddiyetinin derecelendirilmesi için yakın zamanda güncellenen ve bu tür teşhislerin bir tümörün genomik profiline dayalı olarak yapılmasını gerektiren sınıflandırma sistemiyle uyumlu ameliyat sırasında teşhisler yapılmasını sağlar.

CHARM Eğitimi
CHARM, üç farklı hasta popülasyonundan gliomalı 1.524 kişiden alınan 2.334 beyin tümörü örneği kullanılarak geliştirilmiştir. Araç, daha önce hiç görülmemiş bir dizi beyin örneği üzerinde test edildiğinde, spesifik moleküler mutasyonlara sahip tümörleri %93 doğrulukla ayırt etti ve farklı prognozlar taşıyan ve tedavilere farklı yanıt veren farklı moleküler özelliklere sahip üç ana glioma türünü başarıyla sınıflandırdı.

Bir adım daha ileri giden araç, kötü huylu hücreleri çevreleyen dokunun görsel özelliklerini başarıyla yakaladı. Her ikisi de daha agresif glioma türlerine işaret eden, numuneler içinde daha fazla hücresel yoğunluğa ve daha fazla hücre ölümüne sahip belirgin alanları tespit edebildi.

Araç ayrıca, daha az agresif olan ve bu nedenle çevre dokuyu istila etme olasılığı daha düşük olan bir glioma alt türü olan düşük dereceli gliomaların bir alt kümesindeki klinik olarak önemli moleküler değişiklikleri de saptayabildi. Bu değişikliklerin her biri aynı zamanda büyüme, yayılma ve tedavi yanıtı için farklı eğilimlere işaret ediyor.

Araç ayrıca hücrelerin görünümünü – çekirdeklerinin şekli, hücrelerin etrafındaki ödemin varlığı – tümörün moleküler profiliyle ilişkilendirdi. Bu, algoritmanın bir hücrenin görünümünün bir tümörün moleküler tipiyle nasıl ilişkili olduğunu tam olarak belirleyebileceği anlamına geliyor.

Yu, görüntünün etrafındaki daha geniş bağlamı değerlendirme yeteneğinin, modeli daha doğru ve bir insan patoloğun bir tümör örneğini görsel olarak nasıl değerlendireceğine daha yakın hale getirdiğini söyledi.

Araştırmacılar, modelin glioma örnekleri üzerinde eğitilmiş ve test edilmiş olmasına rağmen, diğer beyin kanseri alt türlerini tanımlamak için başarıyla yeniden eğitilebileceğini söylüyorlar.

Bilim insanları halihazırda diğer kanser türlerinin – kolon, akciğer, meme – profilini çıkarmak için yapay zekâ modelleri tasarladılar, ancak gliomalar moleküler karmaşıklıkları ve tümör hücrelerinin şekil ve görünümlerindeki büyük farklılıklar nedeniyle özellikle zorlayıcı olmaya devam etti.

Yu, CHARM aracının, yeni bilgilerden ortaya çıkan yeni hastalık sınıflandırmalarını yansıtmak için periyodik olarak yeniden eğitilmesi gerekeceğini söyledi.

“Tıpkı sürekli eğitim ve öğretimle uğraşmak zorunda olan insan klinisyenler gibi, yapay zekâ araçları da en yüksek performansta kalabilmek için en son bilgilere ayak uydurmalıdır."

Bu içeriği beğendiyseniz lütfen çevrenizle paylaşınız…