Meme Kanserinde Yapay Zeka ile Tedavi Yanıtı Tahmin Etme

Meme Kanseri Tedavisinde Kişiselleştirilmiş Tedavi ve Yapay Zeka

Meme kanseri, farklı alt tipleri olan bir hastalıktır. Bazı tümörler hormonlara duyarlı olabilirken (örneğin, östrojen veya progesteron reseptör pozitif tümörler), bazıları ise "HER2" adı verilen bir proteinin fazlalığı ile büyüyebilir. Özellikle "HR-pozitif, HER2-negatif", en yaygın görülen alt tiptir ve bu alt tip metastatik haldeyse, tedavi seçenekleri genellikle hormon baskılayıcı ilaçlarla birlikte CDK4/6 inhibitörleri denilen özel tedavilerle desteklenir. Bu kombinasyon tedavi sonuçlarını genellikle iyileştirir, ancak her hasta bu tedaviden aynı faydayı göremeyebilir.

Peki, neden bazı hastalar tedaviye iyi yanıt verirken bazıları beklenen düzeyde fayda göremez?

İşte burada "yapay zeka" devreye giriyor. Yapay zeka, insan zekasını taklit ederek karmaşık problemleri çözebilen bilgisayar sistemlerini tanımlar. Makine öğrenimi ise yapay zekanın bir alt dalıdır ve bilgisayar sistemlerinin, veri analizleri yoluyla deneyim kazanmalarını ve bu verilerden öğrenerek tahminlerde bulunmalarını sağlayan bir yöntemdir. Başka bir deyişle, makine öğrenimi sayesinde sistemler, önceden programlanmış kurallara ihtiyaç duymadan, verilerden elde ettikleri örüntülerle kendi karar mekanizmalarını geliştirebilir.

San Antonio Meme Kanseri Sempozyumu’nda (SABCS 2024) sunulan ve Memorial Sloan Kettering Kanser Merkezi tarafından geliştirilen bir makine öğrenimi modeli, hastaların klinik (örneğin yaş, metastaz durumu) ve genomik (genetik mutasyonlar gibi) verilerini analiz ederek, hangi hastanın tedaviye daha iyi yanıt vereceğini tahmin etmek için geliştirildi. Amaç, gereksiz yan etkiler ve tedavi maliyetlerinden kaçınarak, hastalara en etkili tedavi planını sunmak.

Bu yeni model sayesinde, hastalar artık "genetik yapım ve klinik özelliklerim göz önüne alındığında bana en uygun tedavi planı nedir?" sorusuna daha net bir yanıt bulabilecek. Hem doktorlar hem de hastalar için bu tür kişiselleştirilmiş yaklaşımlar, meme kanseri tedavisinde umut verici bir dönemin habercisi olabilir.

---

Çalışmanın Detayları

Araştırma Aracı: OncoCast-MPM

Memorial Sloan Kettering Kanser Merkezi tarafından geliştirilen bu makine öğrenimi modeli, klinik ve genomik verileri bir araya getirerek hastalık gidişatı tahmini yaptı. Çalışmada şu üç farklı model geliştirildi:

1. Klinikopatolojik verilere dayalı model
2. Genomik verilere dayalı model
3. Klinik ve genomik verilerin entegre edildiği model

Hasta Grupları ve Kullanılan Veriler

• Eğitim grubu: 761 hasta
• Test grubu: 326 hasta
• Kullanılan genomik analiz: MSK-IMPACT testi (tedavi öncesi veya tedavi başlangıcından sonraki 2 ay içinde tümör örneklerinde gen mutasyonlarının belirlenmesi)

---

Bulgular

1. Klinikopatolojik Verilere Dayalı Model: Bu model, hastaların klinikopatolojik özelliklerine göre üç risk grubuna ayrılmasını sağladı:

• Yüksek riskli grup: Medyan progresyonsuz sağkalım (PFS) süresi 6,3 ay
• Orta riskli grup: Medyan PFS süresi 15,2 ay
• Düşük riskli grup: Medyan PFS süresi 24,5 ay

2. Genomik Verilere Dayalı Model: Genomik mutasyonlar ve biyobelirteçler kullanılarak yapılan analizde, yine üç risk grubu tanımlandı:

• Yüksek riskli grup: Medyan PFS süresi 9,9 ay
• Orta riskli grup: Medyan PFS süresi 18,1 ay
• Düşük riskli grup: Medyan PFS süresi 23,1 ay

3. Entegre (Klinik + Genomik) Model: Bu model, klinik ve genomik verileri bir araya getirerek dört farklı risk grubu tanımladı:

• Yüksek riskli grup: Medyan PFS süresi 5,3 ay
• Düşük riskli grup: Medyan PFS süresi 29 ay
• İki ara risk grubu: Medyan PFS süreleri 10,7 ay ve 19,8 ay

---

Entegre Modelin Üstünlüğü

Entegre modelin fark yaratan noktası, yüksek riskli grup ile düşük riskli grup arasındaki farkı daha net bir şekilde ortaya koyması oldu. Bu modelde yüksek risk ve düşük risk grubu arasında 6,5 kat fark tespit edilirken, yalnızca klinikopatolojik veya yalnızca genomik verilere dayalı modellerde bu fark 3-4 kat ile sınırlı kaldı.

---

---

Önemli Belirteçler

Makine öğrenimi modeli, aşağıdaki faktörleri tedaviye yanıtın belirleyicileri olarak öne çıkardı:

Genomik Belirteçler (Kötü Prognoz Göstergeleri):

• TP53 kaybı: DNA onarımında önemli bir genin kaybı
• MYC amplifikasyonu: Hücre çoğalmasını artıran gen artışı
• PTEN kaybı: Tümör baskılayıcı gen kaybı
• RTK-MAPK yolak değişiklikleri: Hücre büyümesi sinyal yollarında mutasyonlar
• RB1 kaybı: CDK4/6 inhibitörlerine direnç gelişiminde rol oynar
• Tüm genom duplikasyonu: Genetik materyalin iki katına çıkması
• Yüksek heterozigotluk kaybı: Genetik çeşitliliğin azalması

Klinik Belirteçler:

• Karaciğer metastazı
• Tedavisiz geçen sürenin 1 yıldan kısa olması
• Progesteron reseptör negatifliği
• Düşük östrojen reseptör ekspresyonu
• Visseral (iç organ) metastaz varlığı

Bu faktörlerin, metastatik tanı sırasında kolayca tespit edilebilmesi, modelin klinikte geniş ölçekte uygulanabilir olmasını sağlıyor.

---

Gelecekteki Uygulamalar ve Planlar

Bu tür modeller, tedavi stratejilerini yeniden şekillendirebilir. Yüksek risk grubundaki hastalarda:

• Yakın klinik takip
• Sıvı biyopsi ve tümör kaynaklı biyobelirteçlerle hastalığın gidişatını izleme
• İkinci basamak tedavi ve klinik araştırma seçeneklerine erken yönlendirme

Çalışma retrospektif (geçmişe dönük) bir analiz olduğundan, modelin daha geniş bir hasta grubunda doğrulanması gerekmektedir. Bu nedenle, MSK ekibi şu anda harici veri setleriyle modeli test etmekte ve klinisyenlerin kullanımına sunulabilecek bir online tahmin aracı geliştirmektedir.

---

Çalışmanın Sınırlamaları

• Tek merkezli çalışma: Memorial Sloan Kettering Kanser Merkezi verileriyle sınırlıdır.
• Retrospektif analiz: İleriye dönük prospektif çalışmaların eksikliği.
• Başvuru yanlılığı: Uzman kanser merkezine başvuran hastalar genel popülasyona göre farklılık gösterebilir.

Araştırma ekibi, bu sınırlamaların üstesinden gelmek için uluslararası veri tabanları ile modelin güvenilirliğini artırmayı hedefliyor.

---

Sonuç

Bu çalışma, klinik ve genomik verilerin kombinasyonu sayesinde meme kanseri tedavisinde hasta özelinde risk gruplarının daha doğru belirlenebileceğini göstermiştir. CDK4/6 inhibitörlerinin etkinliğini artırmak için kişiselleştirilmiş tedavi yaklaşımlarının geliştirilmesi, meme kanseri tedavisinde yeni bir dönemi başlatabilir.