Süd vəzi xərçəngi və süni intellekt: Risk proqnozundan rəqəmsal əkizlə müalicə simulyasiyasına
Bu məqalədə
Süd vəzi xərçənginin idarə olunmasında süni intellekt inqilabı: Riskin proqnozlaşdırılmasından “rəqəmsal əkiz” ilə müalicə simulyasiyasına
Statistikadan proqnoza doğru
Müasir onkologiyanın əsas yanaşması “hamıya uyğun tək müalicə” prinsipindən uzaqlaşaraq müalicəni insanın və şişin özünəməxsus bioloji xüsusiyyətlərinə uyğunlaşdırmaqdır. Süd vəzi xərçəngi bu müxtəlifliyin ən aydın göründüyü xərçənglərdəndir; luminal, HER2-pozitiv və üçlü neqativ (TNBC) kimi əsas alt tiplərdən əlavə, hər şişin öz genomik, transkriptomik və mikromühit xüsusiyyətləri var. Klinik idarəetmə riskin qiymətləndirilməsi, skrininq strategiyalarının müəyyənləşdirilməsi, neoadjuvant və ya adjuvant müalicə qərarı, əməliyyat vaxtı və residivin izlənməsi kimi bir-biri ilə əlaqəli, çoxdəyişənli qərar şəbəkələrini əhatə edir.
İllərlə bu mürəkkəbliyi idarə etmək üçün insan zehninin imkanlarına və sadə statistik modellərə güvəndik. Lakin bioloji sistemlər xətti deyil; genlər, zülallar və toxuma mikromühiti arasındakı qarşılıqlı təsirlər xaotik və çoxölçülüdür. Bu məqamda süni intellekt (Sİ), xüsusilə maşın öyrənməsi (ML) və dərin öyrənmə (DL) alqoritmləri bu mürəkkəbliyi idarə etmək üçün əvəzolunmaz vasitəyə çevrilmişdir.
Süd vəzi xərçənginin idarə olunmasının tarixi üç əsas dövrə ayrılır:
- 1. Statistik dövr (1989-2000): Gail modeli kimi populyasiya əsaslı statistikanın istifadə olunduğu dövr.
- 2. Genomik dövr (2000-2015): Tyrer-Cuzick kimi modellərlə genetik risk amillərinin hesablamaya daxil edildiyi dövr.
- 3. Süni intellekt (Sİ) dövrü (2016-bu gün): Dərin öyrənmə alqoritmlərinin insan gözünün seçə bilmədiyi pikselləri və bioloji məlumatları işləyərək “gələcəyi proqnozlaşdırdığı” dövr.
Bu məqalədə Sİ-nin süd vəzi xərçənginin idarə olunmasını necə dəyişdirdiyini Mirai alqoritmindən virtual cərrahi planlaşdırmaya qədər ən yeni texnologiyalar, sübutlara əsaslanan məlumatlar və tənzimləyici (FDA, ESMO) çərçivələr fonunda ətraflı nəzərdən keçiririk.
1. Riskin proqnozlaşdırılmasında inqilab: Anketlərdən piksellərə
Ənənəvi risk modelləri (Gail, Tyrer-Cuzick) yaş, ailə tarixçəsi və doğuş sayı kimi “statik”, anket əsaslı məlumatlara söykənir. Əsas çatışmazlıq süd vəzi toxumasının özündəki bioloji ipuclarından (toxuma sıxlığı, mikrokalsifikasiyalar və s.) tam istifadə edə bilməmələridir. Süni intellekt mammoqrafiyanı yalnız hazırkı xərçəngi göstərən “fotoşəkildən” gələcəyi göstərən “kristal kürəyə” çevirmişdir.
Mirai və ənənəvi modellər: Müqayisəli göstəricilər (AUC)
Journal of Clinical Oncology və Radiology jurnallarında dərc olunmuş validasiya tədqiqatlarına görə:
Gələcəkdə xərçəng yaranacaq xəstələrin %31-ni “yüksək riskli” kimi düzgün müəyyənləşdirdi.
Gələcəkdə xərçəng yaranacaq xəstələrin yalnız %18-ni müəyyənləşdirə bildi.
Ən sadə statistik model müasir riskləri proqnozlaşdırmaqda yetərsiz qalır.
Fərqin səbəbi: Mirai insan gözünün seçə bilmədiyi toxuma mikrostrukturlarını, asimmetriyaları və xəstənin köhnə mammoqrafiyası ilə yenisi arasındakı çox incə dəyişiklikləri (zaman üzrə məlumatları) təhlil edə bilir.
FDA-nın “Breakthrough” statusunu alan texnologiya: Prognosia Breast
Vaşinqton Universitetinin hazırladığı Prognosia Breast, FDA tərəfindən “İnqilabi cihaz” (Breakthrough Device) statusuna layiq görülüb. Bu texnologiya yalnız süd vəzi sıxlığının miqdarını ölçmür; toxumanın paylanmasını və mikrostruktur nizamsızlıqlarını da təhlil edir (tekstura təhlili).
Bu təhlil hətta şiş yaranmazdan əvvəl süd vəzi toxumasında şişin inkişafına əlverişli mikromühitin mövcudluğunu müəyyənləşdirə bilər. Prognosia Breast-in AUC göstəricisi 0.67 ilə 0.74 arasında dəyişir. Müxtəlif etnik mənşəli (qaradərili, asiyalı) qadınları əhatə edən geniş məlumat toplularında validasiya edilməsi də süni intellektdə “məlumat qərəzi” riskini azaldır.
Fərdiləşdirilmiş skrininqə keçid: “Hamıya eyni skrininq” dövrü bitir
Sİ əsaslı risk qiymətləndirilməsi resursların ən düzgün istifadəsinə imkan verir. Artıq 40 yaşdan yuxarı hər qadına standart illik mammoqrafiya əvəzinə risk əsaslı dinamik protokollar tətbiq oluna bilər. Kembric Universiteti və RSNA 2025 məlumatlarına görə, Sİ neqativ kimi qiymətləndirilmiş mammoqrafiyalardakı gizli nümunələri təhlil edərək interval xərçəng riskini proqnozlaşdıra bilir.
- Yüksək riskli xəstə (Sİ balı yüksək): Skrininqlərarası vaxt qısaldılır (məsələn, hər 6 aydan bir). Mammoqrafiyaya süd vəzi MRT-si və ya kontrastlı mammoqrafiya əlavə edilir. Məqsəd interval xərçəngləri aşkarlamaqdır.
- Aşağı riskli xəstə (Sİ balı çox aşağı): Skrininqlərarası vaxt təhlükəsiz uzadıla bilər (məsələn, hər 2 ildən bir). Bu, lazımsız şüalanmanı, narahatlığı və səhiyyə sisteminə maliyyə yükünü azaldır.
2. Müalicənin gələcəyi: Rəqəmsal əkizlər və virtual sınaqlar
Ən uyğun dərmanı seçmək üçün xəstəni “sınaq obyektinə” çevirməyə ehtiyac qalmayan gələcək təsəvvür edin. Sİ xəstənin bioloji məlumatları ilə yaratdığı “rəqəmsal əkiz” üzərində müalicələri simulyasiya edərək bunu mümkün edir.
FarrSight-Twin: Astrofizikadan onkologiyaya
Qara dəliklərin kəşfində istifadə olunan mürəkkəb astrofizika alqoritmlərini xərçəng biologiyasına uyğunlaşdıran bu platforma minlərlə xəstənin məlumatını işləyərək yeni xəstə üçün fərdiləşdirilmiş “virtual avatar” yaradır.
Klinik tətbiq: Üçlü neqativ süd vəzi xərçəngi (TNBC) kimi müalicə seçimləri məhdud çətin hallarda hansı dərman kombinasiyasının (kimyaterapiya + immunoterapiya və s.) ən yaxşı nəticəni verəcəyini in silico (kompüter mühitində) sınaqdan keçirir. Dərman hazırlanması xərclərini azaltmaq üçün “virtual klinik sınaqlar” aparmağa da imkan verir.
SimBioSys TumorSight: Virtual cərrahi planlaşdırma
FDA icazəsi olan (510(k) Cleared) bu platforma xəstənin dinamik kontrastlı süd vəzi MRT (DCE-MRI) görüntüləri ilə şişin 3 ölçülü biofiziki modelini yaradır. Model yalnız formanı deyil, şişin böyümə kinetikasını da simulyasiya edir.
Cərrah üçün mənası: Cərrah əməliyyatdan əvvəl “Süd vəzisini qoruyan əməliyyat etsəm, təmiz cərrahi sərhəd əldə edə bilərəmmi?” sualının cavabını bu simulyasiyada görür. Məqsəd təkrar əməliyyat (təkrar eksiziya) riskini və süd vəzisinin itirilməsini minimuma endirməkdir.
3. Müalicəyə cavabı və rezistentliyi proqnozlaşdırmaq: Bioloji şifrələri açmaq
Sİ yalnız “nə baş verəcəyini” (nəticəni) deyil, “niyə baş verəcəyini” (mexanizmi) də izah edir. Şiş ekosisteminin şifrələrini açan iki mühüm nailiyyət:
- Çoxomikalı inteqrasiya (Nature, 2022): Yalnız klinik məlumatlarla müalicəyə cavabı proqnozlaşdırmaq çətindir. Sammut və həmkarlarının Nature jurnalında dərc olunmuş tədqiqatında Sİ modeli xəstənin yaşını, şişin DNT-sini (mutasiya yükü, nüsxə sayı dəyişiklikləri), RNT-sini (gen ifadəsi) və rəqəmsal patoloji görüntüləri (immun hüceyrə infiltrasiyası – TILs) birləşdirmişdir.
Nəticə: Bu inteqrasiya sayəsində xəstənin kimyaterapiyaya (neoadjuvant kimyaterapiya – NAC) tam cavab verib-verməyəcəyi 0.87 AUC kimi çox yüksək dəqiqliklə proqnozlaşdırılmışdır. Model müalicəyə davamlı şişlərdə “immun nəzarətdən yayınma” mexanizmlərini də (məsələn, HLA sinif I allellərinin itirilməsi) müəyyənləşdirərək yeni dərman hədəfləri təqdim etmişdir. - PERCI indeksi (endokrin rezistentlik): Hormon reseptoru pozitiv (HR+) süd vəzi xərçəngi olan bəzi xəstələrdə zamanla hormon dərmanına rezistentlik yaranır. PERCI (Predictive Endocrine Resistance Index) balı TP53 mutasiya statusu, DNT metilləşmə nümunələri və xəstənin yaşı kimi məlumatları maşın öyrənməsi ilə təhlil edir.
Klinik fayda: Həkimə bu sualın cavabını verir: “Bu xəstəyə yalnız endokrin müalicə kifayətdirmi, yoxsa əvvəldən ağıllı dərman (CDK4/6 inhibitoru) əlavə etmək lazımdır?”
4. Gündəlik təcrübəyə təsirlər: Süni intellekt poliklinikada
Süni intellekt artıq yalnız laboratoriyalarda deyil, gündəlik klinik iş prosesində də həkimlərə dəstək olur.
| Texnologiya / proqram təminatı | İstifadə sahəsi | Klinik fayda və funksiya |
|---|---|---|
| Koios DS (FDA 510(k) icazəsi alıb) | Süd vəzi ultrasəsi | Radioloq şübhəli ocağı işarələdikdə saniyələr ərzində təhlil edir, BI-RADS kateqoriyasına uyğun risk balı verir və “biopsiya lazımdır” və ya “müşahidə kifayətdir” tövsiyəsi edir. Radioloqların diaqnostik dəqiqliyini (AUC) 0.83-dən 0.87-yə yüksəltdiyi göstərilmişdir. |
| GUIDE-G / RAG texnologiyası | Təlimatların inteqrasiyası | NCCN, ASCO kimi yüzlərlə səhifəlik mürəkkəb müalicə təlimatlarını nəzərdən keçirərək həkimə xəstəsi üçün ən aktual və sübutlara əsaslanan müalicə seçimini dərhal təqdim edir. Sinqapur Milli Universitetinin hazırladığı RAG əsaslı sistem Sİ-nin “hallüsinasiya” (yanlış məlumat) riskini minimuma endirir. |
| SurvGPT | Müalicədən sonrakı sağlamlıq nəzarəti | Müalicəsi bitmiş xəstələr üçün avtomatik “müalicədən sonrakı sağlamlıq nəzarəti planı” (SCP) hazırlayır. Elektron sağlamlıq qeydlərini (EHR) nəzərdən keçirərək alınmış kimyaterapiya dozalarını, şüa terapiyası sahələrini və yan təsirləri xülasə edir, fərdiləşdirilmiş müşahidə təqvimi yaradır. |
| TabNet | Residivin proqnozlaşdırılması | Yalnız şişi deyil, qarşı süd vəzisinin simmetriyasını və şişətrafı (peritumoral) toxumanı təhlil edərək residiv riskini “səbəbləri ilə birlikdə” (izah edilə bilən Sİ) proqnozlaşdırır. |
5. Tənzimləyici çərçivə: Təhlükəsiz Sİ istifadəsi
Sİ texnologiyalarının klinikaya təhlükəsiz inteqrasiyası üçün tənzimləyici qurumlar (FDA) və peşə təşkilatları (ESMO) standartlar müəyyənləşdirir.
- FDA (ABŞ Qida və Dərman İdarəsi): Sİ alqoritmlərini “tibbi cihaz kimi proqram təminatı” (SaMD) kateqoriyasında qiymətləndirir. Öz-özünə öyrənən alqoritmlər üçün zamanla göstərici dəyişikliklərini izləyən “əvvəlcədən müəyyən edilmiş dəyişikliklərə nəzarət planı”nın (PCCP) təqdim olunmasını tələb edir.
- ESMO (Avropa Tibbi Onkologiya Cəmiyyəti): İki mühüm təlimat dərc etmişdir:
- ELCAP: Böyük dil modellərinin istifadəsi üçün sərhədlər müəyyənləşdirir, mənbələrin yoxlanmasını və “insanın prosesdə iştirakı” (human-in-the-loop) prinsipini tələb edir.
- EBAI: Sİ əsaslı biomarkerlərin klinikaya daxil olması üçün analitik və klinik etibarlılıq meyarlarını müəyyənləşdirir.
Elmi istinadlar və əlavə oxu
- Yala A, Mikhael PG, Strand F, et al. Toward robust mammography-based models for breast cancer risk (Mirai). Science Translational Medicine. 2021;13(578):eaba4373.
- Sammut SJ, Crispin-Ortuzar M, Chin SF, et al. Multi-omic machine learning predictor of breast cancer therapy response. Nature. 2022;601(7894):623-629.
- Lehman CD, Yala A, Schuster T, et al. Mammographic Breast Density Assessment Using Deep Learning: Clinical Implementation. Radiology. 2019;290(1):52-58.
- Harbeck N, et al. A predictive endocrine resistance index accurately stratifies luminal breast cancer treatment responders and nonresponders (PERCI). J Clin Invest. 2024.
- SimBioSys. FDA Clears TumorSight Viz for Breast Cancer Surgical Planning. Press Release, 2023.
- ESMO Real World Data and Digital Health Working Group. Guidance on the use of Large Language Models in Oncology. Annals of Oncology. 2024.
*Bu məqalə Prof. Dr. Mustafa Özdoğan-ın “Meme Kanseri Yönetiminde Yapay Zeka: Risk Tahmininden Tedavi Simülasyonuna” adlı təqdimatının məzmunundan və aktual ədəbiyyatdan tərtib edilmişdir.
Bu məqalə sizə faydalı oldu?
Rəyiniz məzmunumuzu yaxşılaşdırmağa kömək edir.
Oxucu şərhləri
Şərhinizi paylaşın
Adınız və şərhiniz yalnız administrator təsdiqindən sonra dərc olunur. E-poçt ünvanınız ziyarətçilərə heç vaxt göstərilmir.
İlk şərhi siz yazın.