Harvard Doktorları Kanseri Teşhis Edebilen ChatGPT Benzeri Yapay Zeka Yarattı…
Harvard Tıp Fakültesi’ndeki araştırmacılar, mevcut AI sistemlerinden daha fazla doğruluk ve esneklikle çeşitli kanser türlerini teşhis edebilen ve değerlendirebilen, ChatGPT benzeri olarak tanımlanan oldukça çok yönlü bir AI modeli geliştirdiler. CHIEF adı verilen bu yeni model, yalnızca hasta sonuçlarını tahmin etmekle kalmıyor, aynı zamanda 19 farklı kanser türünde moleküler profilleri ve sağkalım göstergelerini de belirleyerek kanser tedavi stratejilerini önemli ölçüde geliştirme potansiyelini gösteriyor.
ChatGPT’ye benzer bir model, kanseri tespit edebilir, tedavi seçeneklerini önerebilir ve çeşitli kanser türleri için sağ kalım oranlarını tahmin edebilir.
Harvard Tıp Fakültesi araştırmacıları , farklı kanser türleri için çeşitli teşhis prosedürlerini gerçekleştirebilen, ChatGPT’ye benzer çok işlevli bir yapay zeka modeli geliştirdiler.
Araştırmacılar, Nature dergisinde açıklanan yeni yapay zeka sisteminin , kanser teşhisine yönelik mevcut yapay zeka yaklaşımlarının bir adım ötesine geçtiğini söyledi.
Mevcut AI sistemleri genellikle belirli görevleri yerine getirmek üzere eğitilir — kanser varlığını tespit etmek veya bir tümörün genetik profilini tahmin etmek gibi — ve yalnızca bir avuç kanser türünde işe yararlar. Buna karşılık, yeni model çok çeşitli görevleri yerine getirebilir ve 19 kanser türünde test edilmiştir, bu da ona ChatGPT gibi büyük dil modellerinin esnekliğine benzer bir esneklik kazandırmıştır.
Son zamanlarda patoloji görüntülerine dayalı tıbbi teşhis için diğer temel AI modelleri ortaya çıkmış olsa da, bunun hasta sonuçlarını tahmin eden ve bunları çeşitli uluslararası hasta grupları arasında doğrulayan ilk model olduğuna inanılıyor.
Harvard Tıp Fakültesi Blavatnik Enstitüsü’nde biyomedikal bilişim yardımcı doçenti olan çalışmanın kıdemli yazarı Kun-Hsing Yu, “Amacımız, çok çeşitli kanser değerlendirme görevlerini gerçekleştirebilen çevik, çok yönlü bir ChatGPT benzeri AI platformu yaratmaktı” dedi. “Modelimizin, birden fazla kanser türünde kanser tespiti, prognoz ve tedavi yanıtıyla ilgili birden fazla görevde çok faydalı olduğu ortaya çıktı.”
Tümör dokularının dijital slaytlarını okuyarak çalışan AI modeli, kanser hücrelerini tespit ediyor ve görüntüde görülen hücresel özelliklere dayanarak bir tümörün moleküler profilini, çoğu mevcut AI sisteminden daha üstün bir doğrulukla tahmin ediyor . Birden fazla kanser türünde hasta sağ kalımını tahmin edebiliyor ve bir tümörü çevreleyen dokudaki özellikleri (tümör mikroçevresi olarak da bilinir) doğru bir şekilde belirleyebiliyor; bu özellikler, bir hastanın cerrahi, kemoterapi, radyasyon ve immünoterapi gibi standart tedavilere verdiği yanıtla ilişkili. Son olarak, ekip, aracın yeni içgörüler üretebildiğini söyledi; daha önce hasta sağ kalımıyla bağlantılı olduğu bilinmeyen belirli tümör özelliklerini belirledi.
Araştırma ekibi, bulguların yapay zeka destekli yaklaşımların, klinisyenlerin kanserleri etkili ve doğru bir şekilde değerlendirme yeteneklerini artırabileceğine dair artan kanıtlara katkıda bulunduğunu, buna standart kanser tedavilerine iyi yanıt vermeyen hastaların belirlenmesi de dahil olduğunu söyledi.
Yu, “Eğer daha fazla doğrulanırsa ve yaygın olarak kullanılırsa, bizim yaklaşımımız ve bizimkine benzer yaklaşımlar, belirli moleküler varyasyonları hedef alan deneysel tedavilerden faydalanabilecek erken kanser hastalarını tespit edebilir; bu, dünya çapında eşit olarak mevcut olmayan bir yetenektir” dedi.
Eğitim ve performans
Ekibin son çalışması, Yu’nun kolon kanseri ve beyin tümörlerinin değerlendirilmesi için AI sistemleri üzerine yaptığı önceki araştırmalara dayanmaktadır . Bu önceki çalışmalar, yaklaşımın belirli kanser türleri ve belirli görevler dahilinde uygulanabilirliğini göstermiştir.
CHIEF (Klinik Histopatoloji Görüntüleme Değerlendirme Vakfı) adı verilen yeni model, ilgi duyulan bölümlere ayrılmış 15 milyon etiketsiz görüntü üzerinde eğitildi. Araç daha sonra akciğer, meme, prostat, kolorektal, mide, yemek borusu, böbrek, beyin, karaciğer, tiroid, pankreas, serviks, rahim, yumurtalık, testis, cilt, yumuşak doku, böbrek üstü bezi ve mesane dahil olmak üzere dokuların 60.000 tam slayt görüntüsü üzerinde daha fazla eğitildi. Modeli hem görüntünün belirli bölümlerine hem de görüntünün tamamına bakması için eğitmek, belirli bir bölgedeki belirli değişiklikleri genel bağlamla ilişkilendirmesini sağladı. Araştırmacılar, bu yaklaşımın CHIEF’in yalnızca belirli bir bölgeye odaklanmak yerine daha geniş bir bağlamı dikkate alarak görüntüyü daha bütünsel olarak yorumlamasını sağladığını söyledi.
Eğitimin ardından ekip, CHIEF’in performansını dünya çapında 24 hastane ve hasta grubundan toplanan 32 bağımsız veri setindeki 19.400’den fazla tam slayt görüntüsü üzerinde test etti.
Genel olarak, CHIEF, kanser hücresi tespiti, tümör kökeninin belirlenmesi, hasta sonuçlarının tahmin edilmesi ve tedavi yanıtıyla ilgili genlerin ve DNA modellerinin varlığının belirlenmesi gibi görevlerde diğer son teknoloji yapay zeka yöntemlerinden %36’ya kadar daha iyi performans gösterdi. Çok yönlü eğitimi sayesinde CHIEF, tümör hücreleri biyopsi yoluyla veya cerrahi eksizyon yoluyla elde edildiğinden bağımsız olarak eşit derecede iyi performans gösterdi. Ayrıca, kanser hücresi örneklerini dijitalleştirmek için kullanılan teknikten bağımsız olarak da aynı derecede doğruydu. Araştırmacılar, bu uyarlanabilirliğin CHIEF’i farklı klinik ortamlarda kullanılabilir hale getirdiğini ve yalnızca belirli tekniklerle elde edilen dokuları okurken iyi performans gösterme eğiliminde olan mevcut modellerin ötesinde önemli bir adım teşkil ettiğini söyledi.
Kanser tespiti
CHIEF, kanser tespitinde yaklaşık %94 doğruluk elde etti ve 11 kanser türü içeren 15 veri kümesinde mevcut AI yaklaşımlarından önemli ölçüde daha iyi performans gösterdi. Bağımsız kohortlardan toplanan beş biyopsi veri kümesinde CHIEF, yemek borusu, mide, kolon ve prostat dahil olmak üzere birden fazla kanser türünde %96 doğruluk elde etti. Araştırmacılar CHIEF’i daha önce görülmemiş kolon, akciğer, meme, endometrium ve serviks tümörlerinden alınan slaytlarda test ettiğinde, model %90’ın üzerinde doğrulukla performans gösterdi.
Tümörlerin moleküler profillerinin tahmini
Bir tümörün genetik yapısı, gelecekteki davranışını ve en uygun tedavileri belirlemek için kritik ipuçları barındırır. Bu bilgiyi elde etmek için onkologlar tümör örneklerinin DNA dizilimini isterler, ancak kanser dokularının bu kadar ayrıntılı genomik profillemesi, örnekleri özel DNA dizileme laboratuvarlarına göndermenin gerektirdiği maliyet ve zaman nedeniyle rutin olarak veya dünya çapında tekdüze bir şekilde yapılmaz. İyi kaynaklara sahip bölgelerde bile, süreç birkaç hafta sürebilir. Yu, bunun yapay zekanın doldurabileceği bir boşluk olduğunu söyledi.
Araştırmacılar, belirli genomik sapmalara işaret eden bir görüntüdeki hücresel desenlerin hızla belirlenmesinin, genom dizilemesine hızlı ve uygun maliyetli bir alternatif sunabileceğini söyledi.
CHIEF, mikroskobik slaytlara bakarak bir tümördeki genomik varyasyonları tahmin etmek için mevcut AI yöntemlerinden daha iyi performans gösterdi. Bu yeni AI yaklaşımı, kanser büyümesi ve baskılanmasıyla ilgili birkaç önemli genle ilişkili özellikleri başarıyla tanımladı ve bir tümörün çeşitli standart tedavilere ne kadar iyi yanıt verebileceğiyle ilgili temel genetik mutasyonları tahmin etti.
CHIEF ayrıca, bir kolon tümörünün bağışıklık kontrol noktası blokajı adı verilen bir immünoterapi biçimine ne kadar iyi yanıt verebileceğiyle ilgili belirli DNA desenleri tespit etti. Tüm doku görüntülerine bakıldığında, CHIEF, %70’in üzerinde genel bir doğrulukla 54 yaygın olarak mutasyona uğramış kanser genindeki mutasyonları tespit etti ve genomik kanser tahmini için mevcut en son teknoloji AI yöntemini geride bıraktı. Doğruluğu, belirli kanser türlerindeki belirli genler için daha fazlaydı.
Ekip ayrıca CHIEF’i, 15 anatomik bölgeyi kapsayan 18 gende FDA onaylı hedefli tedavilere yanıtla bağlantılı mutasyonları tahmin etme yeteneği açısından test etti. CHIEF, diffüz büyük B hücreli lenfoma adı verilen bir kan kanserinde yaygın olan EZH2 adlı bir gendeki mutasyonu tespit etmede %96 dahil olmak üzere birden fazla kanser türünde yüksek doğruluk elde etti. Tiroid kanserinde BRAF gen mutasyonu için %89 ve baş ve boyun kanserlerinde NTRK1 gen mutasyonu için %91 elde etti.
Hasta sağ kalımının tahmini
CHIEF, ilk tanı anında elde edilen tümör histopatoloji görüntülerine dayanarak hasta sağ kalımını başarıyla tahmin etti. CHIEF, tüm kanser türlerinde ve çalışılan tüm hasta gruplarında, daha uzun süreli sağ kalım sağlayan hastaları daha kısa süreli sağ kalım sağlayanlardan ayırt etti.
CHIEF diğer modellerden %8 daha iyi performans gösterdi. Ve daha ileri kanserli hastalarda CHIEF diğer AI modellerinden %10 daha iyi performans gösterdi. Genel olarak, CHIEF’in yüksek ve düşük ölüm riskini tahmin etme yeteneği 17 farklı kurumdan hasta örnekleri arasında test edildi ve doğrulandı.
Tümör davranışı hakkında yeni bilgiler çıkarmak
Model, tümör saldırganlığı ve hasta sağ kalımıyla ilgili görüntülerde belirleyici örüntüler belirledi. Bu ilgi alanlarını görselleştirmek için CHIEF, bir görüntü üzerinde ısı haritaları oluşturdu. İnsan patologlar bu AI türevi sıcak noktaları analiz ettiğinde, kanser hücreleri ve çevreleyen dokular arasındaki etkileşimleri yansıtan ilgi çekici sinyaller gördüler. Bu özelliklerden biri, daha uzun süreli sağ kalanlarda, daha kısa süreli sağ kalanlara kıyasla tümör bölgelerinde daha fazla sayıda bağışıklık hücresinin bulunmasıydı. Yu, bu bulgunun mantıklı olduğunu belirtti çünkü daha fazla bağışıklık hücresinin varlığı, bağışıklık sisteminin tümöre saldırmak üzere aktive edildiğini gösterebilir.
CHIEF, daha kısa süreli sağ kalanların tümörlerine bakarken, çeşitli hücre bileşenleri arasındaki anormal boyut oranları, hücre çekirdeklerindeki daha atipik özellikler, hücreler arasındaki zayıf bağlantılar ve tümörü çevreleyen alanda daha az bağ dokusu varlığı ile işaretlenmiş ilgi çekici bölgeler belirledi. Bu tümörlerin etrafında ayrıca daha fazla sayıda ölen hücre vardı. Örneğin, meme tümörlerinde CHIEF, dokuların içinde nekrozun veya hücre ölümünün varlığını ilgi çekici bir alan olarak belirledi. Diğer yandan, daha yüksek sağ kalma oranlarına sahip meme kanserlerinin, sağlıklı dokulara benzeyen korunmuş hücresel mimariye sahip olma olasılığı daha yüksekti. Ekip, sağ kalma ile ilgili görsel özelliklerin ve ilgi çekici bölgelerin kanser türüne göre değiştiğini belirtti.
Sonraki adımlar
Araştırmacılar, CHIEF’in performansını geliştirmeyi ve yeteneklerini artırmayı planladıklarını söyledi:
Nadir hastalıklar ve kanserli olmayan durumlara ait doku görüntülerine ilişkin ek eğitim verilmesi
Hücreler tamamen kanserli hale gelmeden önce, kanser öncesi dokulardan alınan örnekler dahil
Modeli, farklı saldırganlık seviyelerine sahip kanserleri tespit etme yeteneğini artırmak için daha fazla moleküler veriye maruz bırakmak
Modelin, standart tedavilere ek olarak yeni kanser tedavilerinin yararlarını ve olumsuz etkilerini de tahmin edecek şekilde eğitilmesi
