ASCO 2026: Kanser Biyobelirteçlerinde Yapay Zekâ ve Mekânsal Profil Devrimi
Hedef Var mı Değil, Hedef Tümörün Neresinde? Biyobelirteçler Artık Sadece “Pozitif” veya “Negatif” Değil
Biyobelirteçlerde eski soru: hedef var mı?
Modern onkoloji, biyobelirteçlerin tedavi kararını değiştirdiği bir döneme çoktan girdi. Akciğer kanserinde EGFR, ALK, ROS1, RET; kolorektal kanserde RAS, BRAF, MSI, HER2; meme kanserinde ER, PR, HER2, Ki-67; over kanserinde BRCA ve HRD gibi belirteçler artık günlük pratiğin ayrılmaz parçası.
Ancak klasik biyobelirteç yaklaşımının önemli bir sınırı var: çoğu zaman tümörü tek bir ortalama değerle özetliyor. Örneğin bir tümör için “HER2 pozitif” diyoruz; ama HER2’nin tümörün her bölgesinde aynı olup olmadığını, pozitif hücrelerin tümörün hangi kısmında yoğunlaştığını, immün hücrelerin bu HER2 yüksek alanlara girip giremediğini ya da stromanın bu hücreleri çevreleyip çevrelemediğini çoğu zaman ayrıntılı biçimde ölçmüyoruz.
Klasik testler çoğu zaman tümörü “pozitif-negatif”, “yüksek-düşük” veya “mutant-wild type” gibi kategorilere ayırır. Oysa tümör dokusu tek parça ve homojen değildir; farklı bölgelerde farklı hücre yoğunlukları, immün yanıt düzeyleri, damar yapıları ve direnç alanları bulunabilir.
Yeni soru: hedef nerede, kimlerle yan yana ve hangi mikroçevrede?
Yapay zekâ ve mekânsal profil işte bu noktada devreye giriyor. Dijital patoloji, tüm lam görüntüsünü yüksek çözünürlükte analiz eder. Yapay zekâ modelleri tümör hücrelerini, stromayı, lenfositleri, damar hücrelerini, nekroz alanlarını, immün fenotipi ve hücresel komşulukları sayısallaştırabilir. Böylece patoloji camı yalnız tanı koyan bir belge olmaktan çıkıp, tedavi yanıtını öngörebilecek çok katmanlı bir biyolojik haritaya dönüşebilir.
Bir tümör dokusundaki hücrelerin yalnız sayısını değil, birbirlerine göre konumunu da analiz etmektir. Örneğin T hücreleri tümörün içine girmiş mi, yalnız kenarda mı kalmış, damar hücreleriyle veya stromayla nasıl bir komşuluk kurmuş, tersiyer lenfoid yapılar var mı gibi sorulara yanıt arar.
ASCO 2026’dan örnek: HER2 pozitif safra yolu kanserinde AI destekli seçim
ASCO 2026’da bu yaklaşımın dikkat çekici örneklerinden biri HER2-pozitif ileri safra yolu kanseri çalışmasıydı. Bu çalışma, trastuzumab, nivolumab, gemsitabin ve sisplatin içeren birinci basamak dörtlü rejimi değerlendirirken, yapay zekâ destekli tüm lam analiziyle HER2 ekspresyonunu ve immün fenotipi birlikte inceledi.
Çok merkezli faz Ib/II çalışmada 40 hasta yer aldı. Tedavi kombinasyonu ile objektif yanıt oranı %55, hastalık kontrol oranı %95, medyan progresyonsuz sağkalım 10,6 ay olarak bildirildi. Ancak asıl önemli nokta, yapay zekânın hangi hastaların daha yüksek yanıt olasılığına sahip olabileceğini ayırabilmesiydi.
Bu örnek, yapay zekânın basit bir “patolojiye yardımcı araç” olmanın ötesine geçebileceğini gösteriyor. Aynı doku üzerinde hem hedef protein miktarı hem immün fenotip hem de tümör mikroçevresi birlikte analiz edildiğinde, hasta seçimi daha hassas hale gelebilir.
HER2 yüksek akciğer kanserinde immün-soğuk tümör mikroçevresi
Lunit’in ASCO 2026’da sunduğu bir başka analiz, HER2 aşırı ekspresyonu olan küçük hücreli dışı akciğer kanserlerinde tümör mikroçevresini değerlendirdi. İki binden fazla NSCLC tüm lam görüntüsünde yapılan AI destekli mekânsal analizde, HER2 aşırı eksprese eden tümörlerde tümör infiltre lenfosit yoğunluğunun daha düşük ve inflame immün fenotip oranının daha az olduğu bildirildi.
Bu bulgu, HER2 yüksek tümörlerin bazı bağlamlarda daha “immün-soğuk” bir mikroçevreye sahip olabileceğini düşündürüyor. Eğer bu sonuçlar bağımsız serilerde doğrulanırsa, HER2 hedefli tedavi ile immünoterapi kombinasyonlarının hangi hastada daha anlamlı olabileceğini anlamak için yalnız HER2 düzeyine değil, mikroçevre haritasına da bakmak gerekebilir.
Tümör içinde veya çevresinde bağışıklık hücrelerinin az olduğu, özellikle T hücrelerinin tümör dokusuna yeterince giremediği tümörleri ifade eder. Bu durum, bazı hastalarda immünoterapi yanıtının sınırlı kalmasıyla ilişkili olabilir.
Adenoid kistik karsinomda axitinib yanıtını ayıran mekânsal imza
AI destekli mekânsal profilin bir başka örneği adenoid kistik karsinomda sunuldu. Bu nadir tümörde tedavi seçenekleri sınırlıdır ve klasik biyobelirteçlerle yanıt öngörmek zordur. AI tabanlı tümör mikroçevresi analizinde, yüksek endotelyal hücre ve tümör infiltre lenfosit yoğunluğuna sahip bir alt grupta axitinib sonrası PFS’nin daha uzun olduğu bildirildi: 19,6 aya karşı 11,1 ay.
MSS kolorektal kanserde TLS bölgeleri: immünoterapiye kapı aralanabilir mi?
Mikrosatellit stabil metastatik kolorektal kanser, genel olarak immün kontrol noktası inhibitörlerine dirençli kabul edilir. Ancak “MSS” etiketi de tümör mikroçevresinin tüm ayrıntılarını açıklamaz. ASCO 2026’da sunulan AI destekli tümör mikroçevresi analizlerinden biri, MSS metastatik kolorektal kanserde tersiyer lenfoid yapı bölgelerinin daha büyük olmasının immünoterapi sonrası daha iyi PFS ve OS ile ilişkili olabileceğini gösterdi.
Tümör dokusu içinde bağışıklık hücrelerinin lenf noduna benzer organize kümeler oluşturmasıdır. Bazı kanserlerde bu yapılar, daha etkili antitümör bağışıklık yanıtı ve immünoterapiye daha iyi yanıt ile ilişkilendirilebilir.
Bu alan çok önemlidir; çünkü bazı tümörleri “immünoterapiye dirençli” diye tek bir kategoriye koyarken, aslında mikroçevresinde immün yanıt potansiyeli taşıyan küçük alt grupları kaçırıyor olabiliriz. Yapay zekâ destekli mekânsal analiz, bu küçük alt grupları daha objektif tanımlama fırsatı sunabilir.
Multimodal AI: patoloji, klinik veri ve genomik risk aynı modele girdiğinde
ASCO 2026’daki bir diğer önemli yönelim multimodal yapay zekâydı. Multimodal AI, yalnız patoloji görüntüsüne değil; klinik veriye, yaşa, evreye, tümör boyutuna, nod durumuna, tedavi bilgilerine ve gerektiğinde genomik veriye birlikte bakar. Amaç, tek bir veri kaynağı yerine tüm hastalık bağlamını modelleyerek daha doğru risk ve tedavi faydası tahmini yapmaktır.
Artera’nın ASCO 2026’da sunduğu çalışmalar bu yönelime örnektir. Node-pozitif HR-pozitif meme kanserinde kemoterapi faydası ve prognozu değerlendiren multimodal AI modeli Abstract #107 olarak oral oturumda yer aldı. Ayrıca erken evre meme kanserinde multimodal AI ile 21-gen Recurrence Score testinin uyumu ve prostat kanserinde dijital patoloji temelli risk sınıflaması çalışmaları da sunuldu.
| Yaklaşım | Kullandığı veri | Yanıtladığı soru | Klinik potansiyel |
|---|---|---|---|
| Klasik biyobelirteç | Tek moleküler veya IHC belirteç | Hedef var mı? | Hedefe yönelik tedavi uygunluğunu belirler. |
| Dijital patoloji AI | Tüm lam görüntüsü | Tümör mimarisi ve hücresel desen ne söylüyor? | Risk sınıflaması ve prognoz tahmini sağlayabilir. |
| Mekânsal profil | Hücrelerin konumu ve komşuluğu | İmmün hücreler tümöre girmiş mi, hedef hangi bağlamda? | İmmünoterapi ve hedefli tedavi yanıtını daha hassas öngörebilir. |
| Multimodal AI | Patoloji + klinik veri + gerekirse genomik | Bu hasta hangi tedaviden ne kadar fayda görebilir? | Kişiselleştirilmiş adjuvan veya sistemik tedavi kararını destekleyebilir. |
Bu teknolojiler klinikte neyi değiştirebilir?
Yapay zekâ ve mekânsal profilin en büyük potansiyeli, mevcut biyobelirteçleri daha hassas hale getirmesidir. Örneğin HER2 pozitiflik artık yalnız “var” veya “yok” değil; HER2 yüksek hücrelerin oranı, tümör içindeki dağılımı, komşu immün hücrelerin varlığı ve tümör mikroçevresinin bağlamı ile birlikte değerlendirilebilir.
Benzer şekilde immünoterapi kararlarında yalnız PD-L1 veya MSI değil; T hücrelerinin tümöre girip girmediği, tümörün dış sınırında mı kaldığı, TLS varlığı, stromal bariyer, damar yapısı ve makrofaj / TIL kompozisyonu gibi birçok değişken bir araya getirilebilir.
Yeni biyobelirteç paradigması
Eski yaklaşım: “Bu hedef var mı?”
Yeni yaklaşım: “Hedef nerede, ne kadar yoğun, hangi hücrelerle komşu, immün sistem tümöre ulaşmış mı, mikroçevre tedaviye izin veriyor mu ve bu bilgi tedavi yanıtını öngörebiliyor mu?”
Eleştirel okuma: heyecan kadar doğrulama da gerekli
AI ve mekânsal biyobelirteçlerde dikkat edilmesi gerekenler
- Çoğu veri henüz araştırma aşamasında: ASCO 2026’daki çalışmaların önemli bölümü klinik hipotez üretici niteliktedir; doğrudan standart tedavi kararı anlamına gelmez.
- Prospektif doğrulama şart: Bir modelin geriye dönük veri setinde başarılı olması, gerçek zamanlı klinik kararda hasta sonucunu iyileştireceği anlamına gelmez.
- Genellenebilirlik sorunu var: Farklı hastaneler, boyama protokolleri, tarayıcılar, etnik popülasyonlar ve tümör örnek kalitesi model performansını etkileyebilir.
- Açıklanabilirlik önemli: Hekim, modelin neden yüksek veya düşük risk dediğini anlamadan tedavi kararını yalnız algoritmaya bırakamaz.
- Regülasyon ve kalite kontrol gerekir: AI tabanlı testlerin klinikte kullanılabilmesi için doğrulanmış, standardize edilmiş ve denetlenebilir olması gerekir.
- Veri önyargısı riski vardır: Model belirli merkezlerin, belirli hasta gruplarının veya belirli görüntüleme protokollerinin verisiyle eğitildiyse başka popülasyonlarda aynı performansı göstermeyebilir.
- Patolog ve onkolog yerini kaybetmez: AI karar vericinin yerine geçmez; iyi tasarlandığında patolog ve onkolog için karar destek aracı olur.
Türkiye için mesaj: dijital patoloji ve veri altyapısı stratejik önemde
Türkiye’de moleküler onkoloji, NGS panelleri ve hedefe yönelik tedavi kararları giderek daha fazla gündeme geliyor. Ancak yapay zekâ ve mekânsal profil çağı, yalnız moleküler test altyapısı değil, dijital patoloji altyapısı da gerektiriyor. Kaliteli doku işleme, standardize boyama, yüksek çözünürlüklü tarayıcılar, güvenli veri saklama, patoloji-onkoloji entegrasyonu ve klinik sonuç verisi bu sistemin temel parçalarıdır.
Bu nedenle önümüzdeki dönemde “moleküler tümör konseyi” kadar “dijital patoloji ve biyobelirteç konseyi” kavramı da önem kazanabilir. Çünkü AI modelleri ancak doğru klinik soru, kaliteli veri ve uzman yorumuyla anlamlı hale gelir.
Hastaya nasıl anlatmalı?
“Yapay zekâ, patoloji camındaki tümör dokusunu daha ayrıntılı inceleyerek kanser hücrelerinin, bağışıklık hücrelerinin ve tümör çevresinin haritasını çıkarabilir. Bu bilgiler gelecekte hangi tedavinin daha etkili olabileceğini tahmin etmemize yardımcı olabilir. Ancak bu teknolojiler her kanserde ve her hasta için bugün standart değildir; güvenilir klinik kullanım için daha fazla doğrulama gerekir.”
Drozdogan Akademik Yorumu
ASCO 2026’da yapay zekâ ve mekânsal profil çalışmaları, onkolojide biyobelirteçlerin yeni bir evreye geçtiğini gösteriyor. Artık tümörü yalnız mutasyon, ekspresyon veya pozitiflik üzerinden değil; hücrelerin birbirleriyle kurduğu mekânsal ilişki, immün sistemin tümöre erişimi ve mikroçevrenin tedaviye verdiği izin üzerinden de okumaya başlıyoruz.
Bu yaklaşım, özellikle klasik biyobelirteçlerin yetersiz kaldığı alanlarda çok değerli olabilir. MSS kolorektal kanserde immünoterapiye yanıt verebilecek küçük alt grupları, HER2 pozitif tümörlerde daha yüksek yanıt olasılığı olan hastaları veya nadir tümörlerde hedefli tedaviye duyarlı mikroçevre imzalarını ayırmak mümkün hale gelebilir.
Ancak bu alanın gerçek klinik değeri, yalnız etkileyici algoritmalar geliştirmekle değil; prospektif doğrulama, açıklanabilirlik, standardizasyon, regülasyon ve gerçek hasta sonuçlarını iyileştirme kapasitesiyle belirlenecektir. Geleceğin biyobelirteci yalnız molekülü değil, tümörün haritasını da okuyabilen biyobelirteç olacaktır.
Sonuç
ASCO 2026, yapay zekâ ve mekânsal profilin onkolojide giderek daha görünür hale geldiğini gösterdi. AI destekli HER2/IHC ölçümü, tümör mikroçevresi analizi, TIL/TLS haritalama, multimodal risk modelleri ve dijital patoloji tabanlı tedavi faydası tahmini; biyobelirteçlerin artık yalnız “pozitif” veya “negatif” olarak değil, çok katmanlı bir tümör ekosistemi içinde okunacağı yeni bir dönemi işaret ediyor.
Bu teknolojiler bugün için her alanda standart değildir; fakat yön nettir. Kanser tedavisinde geleceğin sorusu yalnız “tümörde hedef var mı?” olmayacak. Daha doğru soru şu olacak: “Bu hedef tümörün neresinde, hangi hücrelerle birlikte, hangi mikroçevrede ve bu harita hastanın tedavi yanıtını öngörüyor mu?”
- Lunit. AI-Powered IHC and Tumor Microenvironment Research at ASCO 2026. 22 Mayıs 2026.
- Artera. Multiple ASCO 2026 Abstracts on Multimodal AI Risk Stratification and Treatment Decisions in Cancer. 21 Mayıs 2026.
- ASCO Educational Book. Artificial Intelligence in Oncology: Clinical Applications. 2026.
- Lunit publication. AI-powered spatial analysis of tumor microenvironment identifies immune phenotypes in H&E-stained carcinoma samples.
- Lunit publication. AI-powered spatial analysis of TILs predicts survival after immune checkpoint inhibitor therapy across multiple cancer types.
- OpenTME. An open dataset of AI-powered H&E tumor microenvironment profiles from TCGA. 2026.
- Emerging AI Approaches for Cancer Spatial Omics. 2025.
