Yapay Zeka ile Patoloji: Dijital Slaytlar Kanser Tanısını Nasıl Değiştiriyor?

Bir kanser tanısının kaderi çoğu zaman ince bir cam parçasının üstünde belirlenir. Patolog, mikroskobun altına yerleştirdiği o dokuyu büyütür, hücrelerin biçimini, çekirdeklerin düzenini ve bölünme izlerini inceler. Onlarca yıldır değişmeyen bu sahne, son birkaç yılda sessizce dönüşüyor. Cam slaytlar tarayıcılardan geçirilip ekrana taşınıyor, üstüne de yapay zeka ekleniyor. Sonuç, kanser tanısının nasıl konulduğunu kökten etkileme potansiyeli taşıyan yeni bir disiplin: hesaplamalı patoloji.

Bu yazıda dijital patolojinin teknik temellerini, yapay zekanın hangi görevlerde gerçekten fark yarattığını ve neden hâlâ patoloğun gözüne ihtiyaç duyduğumuzu olabildiğince dengeli biçimde ele alacağız. Konu tıbbi tanı olduğu için abartıdan da, gereksiz kuşkudan da uzak durmaya çalışacağız.

Cam slayttan gigapiksel dosyaya: whole slide imaging

Her şey dokunun sayısallaşmasıyla başlıyor. Whole slide imaging (tüm slayt görüntüleme), bir patoloji camındaki dokunun özel tarayıcılarla tepeden tırnağa, çok yüksek çözünürlükte fotoğraflanması demek. Ortaya çıkan dosya öyle böyle değil: tek bir slayt, açıldığında milyarlarca piksel içerebiliyor. Bu yüzden bu görüntülere “gigapiksel” deniyor. Karşılaştırma yapmak gerekirse, sıradan bir telefon fotoğrafı birkaç on milyon pikselken, bir dijital slayt bunun yüzlerce katı veri taşıyabilir.

Bu sayısallaştırma tek başına bile bazı kapılar açıyor. Patolog artık fiziksel camı elden ele dolaştırmak yerine görüntüyü ekranda büyütüp küçültebiliyor, bir meslektaşına anında danışabiliyor, arşivi yıllar sonra kayıpsız geri çağırabiliyor. Ama asıl değişim, bu devasa veriyi bir bilgisayarın okuyabilmesinden geliyor. Görüntü sayısal hale geldiği an, üzerinde algoritma çalıştırmak mümkün oluyor.

Yapay zekanın tıbbi görüntülemeye girişi yalnız patolojiyle sınırlı değil; aynı dalga radyolojiyi de baştan aşağı kıpırdatıyor. Bu büyük resmi merak edenler için yapay zeka destekli tıbbi teşhis başlıklı kapsamlı rehberimiz iyi bir başlangıç noktası.

Yapay zeka patolojide tam olarak neyi hızlandırıyor?

Hesaplamalı patolojinin en somut katkısı, patoloğun zamanını yiyen tekrarlayan işlerde ortaya çıkıyor. Birkaç örneğe yakından bakalım.

Mitoz sayımı

Tümörün ne kadar hızlı büyüdüğünü anlamanın yollarından biri, bölünmekte olan hücreleri yani mitozları saymaktır. Bu, kulağa basit gelse de pratikte göz yoran bir iştir: Patolog, geniş bir doku alanında onlarca büyütülmüş görüntü karesini tek tek tarayıp her mitozu işaretler. İnsan dikkati saatler içinde yorulur, ve aynı slayt iki farklı patolog tarafından sayıldığında sonuçlar biraz farklı çıkabilir. Algoritmalar bu noktada yardımcı: Tüm slaytı dakikalar içinde tarayıp aday mitozları işaretliyor, patolog da onları doğruluyor ya da eliyor. Amaç insanı değiştirmek değil, ona ön-eleme sunmak.

Tümör derecelendirme

Pek çok kanserde tedavi planı, tümörün “derecesine” yani hücrelerin ne kadar anormalleştiğine bağlıdır. Prostat kanserindeki Gleason skoru bunun klasik örneği. Derecelendirme, doğası gereği belli bir öznellik taşır; aynı slayda bakan iki uzman farklı puan verebilir. Yapay zeka modelleri, doku desenlerini tutarlı ölçütlerle değerlendirerek bu değişkenliği azaltmaya, daha tekrar edilebilir bir ikinci görüş sunmaya aday. Burada vaat, “daha doğru” olmaktan çok “daha tutarlı” olmak.

Lenf nodu metastazı tespiti

Kanserin yayılıp yayılmadığını anlamak için lenf nodları incelenir. Sorun şu ki, kocaman bir lenf nodu slaydında bir avuç kanser hücresi gizlenmiş olabilir; bunları bulmak samanlıkta iğne aramaya benzer. Dikkatin bir anlık dalması bu küçük odağın kaçmasına yol açabilir. Bilgisayar destekli sistemler tüm alanı yorulmadan tarayarak şüpheli bölgeleri işaretler, patoloğun dikkatini doğru yere yönlendirir. Meme kanserinde sentinel lenf nodu değerlendirmesi, bu yaklaşımın en çok çalışıldığı alanlardan biri. Benzer mantığın görüntülemeye uygulandığı meme taramalarını yapay zeka ve mamografi yazımızda inceledik.

Nadir hücreyi yakalamak

Yapay zekanın bir başka cazip yanı, çok seyrek görülen örüntüleri yakalama potansiyeli. Bir patolog kariyeri boyunca belirli nadir bir kanser tipini belki birkaç kez görür. Yüz binlerce slayttan öğrenmiş bir model ise bu örüntüleri çok daha geniş bir deneyim havuzundan tanıyabilir. Nature Medicine’de yayımlanan, bir buçuk milyona yakın slaytla eğitilmiş bir modelin nadir kanserleri tespitte sağladığı katkı bu yöndeki umutları besliyor. Yine de bu, kontrollü çalışmalardaki performans; klinik rutine yansıması ihtiyatla izlenmesi gereken bir süreç.

Gigapiksel sorunu: devasa görüntüyü işlemenin zorluğu

Burada işin teknik karın ağrısına geliyoruz. Sıradan bir yapay zeka modeli, küçük bir fotoğrafı bütün halinde “görür”. Ama gigapiksel bir slaytı tek seferde belleğe sığdırmak imkânsıza yakın. Çözüm genellikle slaydı “tile” denen yüzlerce, binlerce küçük parçaya bölmek, her parçayı ayrı analiz etmek ve sonra bu parçaları anlamlı bir bütün olarak birleştirmek. Bu mimari kulağa basit gelse de, parçalar arası bağlamı kaybetmemek, yani büyük resmi gözden kaçırmamak ciddi bir mühendislik sorunu.

Bir de hesaplama maliyeti var. Tek bir hastanın slaytlarını işlemek bile hatırı sayılır işlem gücü ister; bir laboratuvarın günlük yüzlerce vakasını düşünün. Depolama da öyle: Gigapiksel dosyalar terabaytları hızla doldurur. Bu yüzden dijital patolojiye geçiş, sadece bir yazılım kurmak değil, tarayıcıdan sunucuya, ağdan arşive uzanan ciddi bir altyapı yatırımı anlamına geliyor.

Standardizasyon ve boyama farkı sorunu

Patoloji slaytları renklendirilir; en yaygını hematoksilen-eozin (H&E) boyamasıdır. Ne var ki bu boyama her laboratuvarda birebir aynı çıkmaz. Kullanılan reaktifin markası, bekleme süresi, tarayıcının renk kalibrasyonu derken, aynı doku bir hastanede pembemsi, diğerinde morumsu görünebilir. İnsan gözü bu farkları kolayca tolere eder; algoritma ise renge fazla takılıp yanılabilir. Bir hastanenin verisiyle eğitilmiş bir model, başka bir hastanenin slaytlarında beklenenden zayıf çalışabilir.

Bu yüzden alanda “renk normalizasyonu” ve standardizasyon ciddi bir araştırma başlığı. Modelin farklı laboratuvarlara, farklı tarayıcılara genelleyebilmesi, klinik güvenilirliğin olmazsa olmazı. Bir algoritma yalnızca eğitildiği ortamda iyi çalışıyorsa, gerçek dünyada güvenle kullanılamaz. Aynı genelleme zorluğu radyolojik görüntülemede de karşımıza çıkıyor; bu paralelliği yapay zeka ve radyolojik görüntüleme yazımızda ayrıntılandırdık.

“Patolog onaylar” iş akışı

Belki de en kritik nokta bu. Bugünkü klinik gerçeklikte yapay zeka, tanıyı kendi başına koyan bir otorite değil, patoloğun yanında çalışan bir asistan. Tipik iş akışı şöyle işliyor: Algoritma slaytı tarar, şüpheli bölgeleri işaretler, bir ön değerlendirme sunar. Ardından patolog bu işaretleri inceler, bağlamı ve hastanın klinik öyküsünü hesaba katar, gerekirse algoritmayla aynı fikirde olmaz. Nihai imza her zaman insanda.

Bu “insan döngüde” yaklaşımının iki gerekçesi var. Birincisi, hukuki ve etik sorumluluk: Bir tanının yanlış olması hâlinde hesabı bir algoritma veremez. İkincisi, klinik bağlam: Patolog yalnızca slayda değil, hastanın yaşına, geçmişine, diğer test sonuçlarına bakarak karar verir; bu bütünsel muhakeme henüz makinelerin alanı değil. Yapay zeka, patoloğu yorucu tarama işinden kurtarıp dikkatini gerçekten muhakeme gerektiren vakalara yöneltmek için var. İdeal senaryoda makine hızı, insan yargısıyla birleşiyor.

Foundation modeller: patolojinin yeni dalgası

Son birkaç yılın en heyecan verici gelişmesi, “foundation model” denen büyük temel modeller. Eskiden her görev için ayrı algoritma eğitmek gerekirdi: biri mitoz sayar, biri metastaz arar. Foundation modeller ise yüz binlerce, hatta milyonlarca etiketlenmemiş slayttan kendi kendine öğreniyor; dokunun genel “dilini” kavrıyor. Sonra bu temel, görece az veriyle belirli görevlere uyarlanabiliyor.

Nature ve Nature Medicine’de yayımlanan çalışmalar bu alanın hızını gösteriyor. Yüz binlerce H&E slaydıyla eğitilen genel amaçlı modeller, milyarlarca doku karesinden beslenen tüm-slayt modelleri ardı ardına geliyor. Bu modeller tek bir hünere değil, tanıdan prognoza, biyobelirteç tahmininden nadir kanser tespitine uzanan geniş bir yelpazeye aday. Yine de bu, laboratuvar performansı; her birinin geniş, çeşitli ve bağımsız hasta gruplarında doğrulanması, düzenleyici onaylardan geçmesi gerekiyor. Heyecan gerçek, ama kanıt çıtası da yüksek olmalı.

Peki bu nereye gidiyor?

Dijital patoloji ve yapay zeka, kanser tanısını daha hızlı, daha tutarlı ve belki daha erişilebilir kılma potansiyeli taşıyor. Patolog sıkıntısı çekilen bölgelerde uzak bir merkezdeki uzmanın dijital slayda erişebilmesi tek başına büyük bir kazanç. Tekrarlayan işlerin otomatikleşmesi, uzmanların zamanını zor vakalara ayırmasını sağlayabilir.

Ama tabloyu fazla pembe boyamamak gerek. Gigapiksel görüntülerin işlenmesi pahalı, laboratuvarlar arası standardizasyon eksik, modellerin genellenebilirliği kanıtlanmayı bekliyor ve düzenleyici çerçeveler henüz olgunlaşıyor. En önemlisi, bu teknolojiler patoloğun yerini almak için değil, ona yardımcı olmak için tasarlanıyor. Önümüzdeki yıllarda muhtemelen göreceğimiz şey, makinenin işaretlediği, insanın onayladığı melez bir tanı sürecinin yaygınlaşması. Kanser tanısı değişiyor; ama bu değişim, insanı dışlayarak değil, ona daha güçlü araçlar vererek ilerliyor.

Mert Şahin

Teknoloji editörü. Yapay zeka, mobil cihazlar, elektrikli araçlar ve dijital dönüşüm konularında yazıyor. İçerikleri, üretici teknik dokümanları, ürün incelemeleri ve sektör analizleri temel alınarak hazırlanır. Kullanıcı odaklı, anlaşılır ve karşılaştırmalı içerikler üretmeyi hedefler.