Tıbbi Onkolog Prof. Dr. Mustafa Özdoğan Memorial Antalya Hastaneler Grubu Onkoloji Merkezi Başkanı "Kanser alanındaki en büyük eksiklik, halka yönelik sade ve anlaşılabilir bilgiye ulaşılamamasıdır. Web sitemiz ile bu eksikliği giderdiğimizi düşünüyorum."

Anasayfa - Kanser Haberleri - Beyin kanseri - Teknoloji Haberleri - Makine öğrenimi ile çok daha başarılı kanser sınıflandırma
Makine öğrenimi ile çok daha başarılı kanser sınıflandırma

Makine öğrenimi ile çok daha başarılı kanser sınıflandırma

Yazı Boyutu:
Küçült
Sıfırla
Büyült
02.05.2018

Birçok kanser türü sıklıkla hücrelerin mikroskop altındaki görünüşlerine göre sınıflandırılır. Patolojik inceleme adı verilen bu yöntem 200 yıla yakın süredir patologlar tarafından yapılmaktadır ve her ne kadar patologlar ileri uzmanlığa sahip kişiler olsa da ve değerlendirmeleri çok sayıda kriter ve algoritmalara göre yapsalar da, teşhisler subjektif özellikler taşır, yani gözlemciye göre kısmen değişebilir. Günümüz yapay zeka teknolojilerinden makine öğrenimi ile beyin tümörleri üzerine yapılan bir araştırmada, moleküler paternler üzerinde çalışılarak kanser teşhisine objektif ve daha hassas sonuçlar elde edilmiştir.

Bir hastalığın tedavisinde en temel şey onu doğru tespit edebilmektir. Bugünlerde gerçekleşen yapay zeka ile görüntü işleme konusunda bazı teknolojik gelişmeler ile öznel sonuçlardan bağımsız hassas tanısal çalışmalar yapılabilmektedir. Capper ve ekibi makine öğrenimi tabanlı bu teknolojiler üzerinde çalışmaktadırlar ve moleküler modeller üzerinden beyin tümörlerinin yeni bir sınıflandırmasını sunmuşlardır.

Bugün birçok tümör, histolojik özelliklerin yanında moleküler özelliklerine göre de analiz edilip tanımlanmaktadırlar. Dünya Sağlık Örgütü (DSÖ), 2016’da bütüncül teşhis yaklaşımlarında histoloji ve moleküler bilgilerin beraber kullanılmasını tavsiye etmiştir. Bununla birlikte, ağırlıklı olarak histolojiye dayanan tanılar, moleküler tanımlayıcıların eksikliği nedeniyle, birçok nadir tümör türü için yetersiz kalır. İlave olarak histolojik teşhisler, farklı genetik değişiklikler içeren hücrelerin bir mozaiği olan tümörlerdeki olası hücresel varyasyonlar veya benzer histolojik özelliklerin birçok farklı beyin tümörü tarafından paylaşılabileceği gerçeği dahil olmak üzere birçok zorlukla karşılaşmaktadır. Histolojik benzerliğin tümör benzerliğini ne kadar iyi yansıttığı, benzer histolojiye sahip tümörlerin farklı şekillerde ilerleyebileceği ve farklı histolojisi olan tümörlerin de aynı şekilde ilerleyebileceği göz önünde bulundurulduğuna dair sorular devam etmektedir.

Histolojik analiz için önemli bir gelişme, makine-öğrenme süreçlerinin histolojik verileri analiz etmesini sağlayan hesaplama araçlarının genişletilmesidir. Bu yaklaşımda, bir bilgisayar, bir doktor tarafından sınıflandırılmış olan tümör örnek görüntülerinin bir veri seti kullanılarak eğitilmiştir. Bilgisayar, tümör tiplerini tanımlamak için kendi model tanıma kriterlerini geliştirmek için sınıflandırma bilgilerini kullanır. Bununla birlikte, belirli tümörler için açıkça tanımlanmış tanı ölçütleri eksikse veya farklı tümör tipleri histolojik olarak ayırt edilemezse bir zorluk ortaya çıkar.

Capper ve meslektaşları, sınıflandırması karmaşık görsel değerlendirmeler gerektirmeyen moleküler bilgiye ve epigenetik değişimlere odaklanmaya karar verdiler. DNA metilasyonundaki değişikliklere (DNA'ya metil gruplarının eklenmesi) dayanarak tümör sınıflandırmasına bir makine öğrenme yaklaşımı uyguladılar ve bu tanıları histolojik analizler kullanarak patologlar tarafından yapılanlarla karşılaştırdılar.

- Genler için de Eğitim Şart! Kanserde Epigenetik Tedaviler

DNA metilasyonu, epigenetik değişim olarak bilinen bir modifikasyon türüdür. Bu değişim kategorisi DNA dizisini değiştirmez, ancak gen ifadesini veya hücrenin geleceğini etkileyebilir. DNA metilasyonunun ve kanserdeki diğer epigenetik değişikliklerin rolü giderek daha belirgin hale gelmektedir. Birçok kanserde, epigenom olarak bilinen epigenetik değişikliklerin genom çapında paterni büyük ölçüde değiştirilebilir. Örneğin, gliom türü beyin tümörlerindeki IDH1 veya IDH2 genlerindeki mutasyonlar, spesifik klinik sonuçlarla ilişkilendirilebilen DNA metilasyon paternlerinin genom çapında düzensizliğine neden olurlar.

- Gliomlar (GBM) ve Non-glial tümörler

Önceki çalışmalarda, belirli beyin tümörleri için DNA metilasyonunun profillenmesinin tanısal avantajları vurgulanmıştır, çünkü DNA metilasyonunun epigenom çapında analizi, tarafsız bir tanı yaklaşımı sunmaktadır. Bununla birlikte rutin epigenom çapında metilasyon profili, çeşitli nedenlerle klinik teşhis için nispeten nadirdir: maliyet; örnek gereksinimleri; gerekli veri analizi uzmanlığına sahip personel eksikliği; ve bulguların kullanılan klinik tedaviler için bir etkisi olup olmadığı sorusu. Ancak, bazı ilerlemeler de kaydediliyor. Örneğin, formalinle sabitlenmiş, parafine gömülü (FFPE) örnekler olarak adlandırılan cam slaytlarda en yaygın kimyasal olarak korunmuş tümör dokusundan çıkarılmış DNA kullanmak için teknikler de mevcuttur.

Yazarlar, DSÖ tarafından sınıflandırılan hemen her beyin tümör tipine ait örnekler için bilgisayara genom geniş metilasyon verileri sağlamıştır. Bilgisayarlar, patologların sınıflandırdığı ve aynı zamanda denetimsiz makine öğrenmesinden gelen örnekleri, denetimli makine öğrenmesini metilasyon modellerini tanımak için kullandı.

Eğitimden sonra bilgisayar, spesifik metilasyon profilleri temelinde tümörleri 82 ayrı sınıfa sınıflandırabildi. Bunların sadece 29'u, DSÖ tanımlı tümör tiplerinin temsil edilen 29 alt kategorisinde tanımlanan spesifik bir tümör tipine karşılık geldi.

Yine de Capper ve meslektaşları tarafından yapılan en ilginç keşifler, DSÖ tarafından sınıflandırılan birden fazla tümör tipi veya DSÖ gruplandırmasıyla uyuşmayan tümör tiplerinin sınıflandırılması gibi histolojik olarak benzer tipte tümörlerin bir araya getirildiği tümör sınıflandırmalarıydı. Bu tür keşifler, tümör histolojisinden bağımsız olan ve tedavi seçeneklerinin veya teşhis araçlarının geliştirilmesine yardımcı olabilecek tümör benzerlikleri hakkında bilgi sağlayabilir.

Yazarlar, bilgisayarı, standart histolojik veya moleküler teknikleri kullanarak patologlar tarafından teşhis edilen tümörlerin 1.104 test vakasını sınıflandırmak için kullanmışlardır. Bu test vakalarının %60.4'ünde, bilgisayar temelli sınıflandırma, patoloğun sınıflandırmasıyla özdeşti ve test vakalarının %15.5'i için bilgisayar ve patolog aynı tipte bir tümör verdi, ancak bilgisayar aynı zamanda tümörü bir alt sınıfa atayabilirdi. Test vakalarının %12.6'sında, bilgisayar teşhisi patoloğun teşhisi ile uyuşmadı.

Dikkat çekici bir şekilde, bu vakaların daha ayrıntılı bir analizi - örneğin, gen dizilemesi - bu eşsiz tümörlerin %92.8'inin, orijinal klinik tanıdan bilgisayar tabanlı sınıflandırmaya geçmesiyle sonuçlandı. Ayrıca, yeniden sınıflandırılan tümörlerin %71'i, farklı bir tümör derecesine, prognoz (hastalık seyri) veya tedaviye yönelik etkileri olabilecek bir yeniden sınıflandırmaya tahsis edilmiştir. Kalan test vakaları (% 11.5) bilgisayar tarafından sınıflandırılamadı. Ek hesaplama analizi, bu gruptaki tümörlerin üçte birinin bilgisayar için henüz bir sınıflandırma gruplaması oluşturmak için yeterli örnekle karşılaştığı nadir tümörleri temsil edebileceğini göstermektedir.

Capper ve meslektaşlarının yaklaşımı, standart kanser teşhisi ile karşılaştırılabilir mi? Bir örnek başına düşük maliyet gibi avantajlar göz önünde bulundurulduğunda, tümör teşhisi için gelecekteki olası bir standardı temsil ediyor mu? Eğer öyleyse, bu, histolojik analizlerin sonu mu olacak?

Bir tümör numunesinin kapsamlı bir moleküler profilini elde etmek, özellikle mikroskobik inceleme ile birleştirildiğinde kesinlikle yararlıdır ve tıbbi tedaviler, bir bireyin tümörünün karakteristikleri ile daha kişisel hale getirildiği için ileriye doğru yol olabilir. Bununla birlikte, şimdilik, histoloji hastalık sınıflandırması için vazgeçilmezdir çünkü numune koruma ve mikroskobik inceleme için standart yaklaşımlar, dünya çapında klinik laboratuvarlarda kullanılan rutin teşhis iş akışında en erişilebilir ve evrensel giriş noktasını sunmaktadır. Bir hastalık hem moleküler hem de hücresel değişikliklerde kendini gösterebilir; bu nedenle, hem moleküler analizi hem de görsel muayeneyi birleştiren bir yaklaşım, teşhis yeteneklerini güçlendirebilir.

Capper ve arkadaşları tarafından geliştirilen platformun rutin ve yaygın kullanımı günümüzde pek çok laboratuvar için pratik olmayabilir, bu nedenle bu teknolojinin en acil uygulanması, belirsiz histolojik özelliklere sahip olguları değerlendirmek olacaktır. Bununla birlikte, bu makine öğrenimi yaklaşımı tamamlanır ve genişletilirse, bazı durumlarda tanısal mikroskobik incelemenin yerini alabilir.

*

- Makine öğrenimi ile kanser tedavisinde yeni ilaç hedefleri keşfedildi

Sağlıklı ve mutlu kalın...
Daha fazla veya daha az alkışlayarak, bize hangi yazılarımızın daha fazla ilgi çektiğini gösterebilirsiniz.
Kaynak:

Derek Wong, Stephen Yip.
Machine learning classifies cancer.
Nature, News and Views, 14 March 2018
Sayfada yer alan yazılar sadece bilgilendirme amaçlıdır, tanı ve tedavi için mutlaka doktorunuza başvurunuz.
Kanser Haberleri
İmmünoterapi, erkeklerde kadınlara göre daha iyi sonuç veriyor olabilir
İmmünoterapi, erkeklerde kadınlara göre daha iyi sonuç veriyor olabilir
Tüm kanser hastalarına egzersiz REÇETE edilmeli! Neden mi?
Tüm kanser hastalarına egzersiz REÇETE edilmeli! Neden mi?
Onkolojinin kalbi ASCO 2018'de atacak
Onkolojinin kalbi ASCO 2018'de atacak
Meme kanseri koruyucu tedavide Herceptin süresi 6 mı 12 ay mı olmalı?
Meme kanseri koruyucu tedavide Herceptin süresi 6 mı 12 ay mı olmalı?