Üçlü Negatif Meme Kanserinde Yapay Zekâ Destekli TIL Analizi: CATALINA Çalışması
Veri değerlendirme tarihi: Eylül 2026. Bilgiler The Lancet Oncology (Cilt 27, Sayı 9, s. 1181–1192) dergisinde Julia R. Dixon-Douglas, Damien Drubay, Roberto Salgado ve uluslararası çalışma grubu tarafından yayımlanan "Artificial intelligence-based tumour infiltrating lymphocyte quantification in patients with triple-negative breast cancer: an independent validation study (CATALINA)" araştırmasına dayanmaktadır.
Tarihsel Bağlam: TIL Nedir, Neden Önemlidir ve Yapay Zekâ Neden Sahneye Çıktı?
Son 15 yılda meme onkolojisinde yaşanan en büyük kavramsal devrimlerden biri, tümörün yalnızca genetik mutasyonlardan ibaret olmadığının; kanser hücrelerinin etrafındaki tümör mikroçevresi ve bu alana sızan bağışıklık hücreleriyle (tümör infiltre eden lenfositler - TIL) dinamik bir savaş yürüttüğünün anlaşılması olmuştur.
Özellikle östrojen, progesteron ve HER2 hedefi taşımayan erken evre üçlü negatif meme kanserinde (ÜNMK), bağışıklık sisteminin varlığı hayati önem taşır. Uluslararası TIL Çalışma Grubu (International Immuno-Oncology Biomarker Working Group) standartlarına göre patologlar tarafından rutin hematoksilen-eozin (H&E) boyalı kesitlerde stromadaki lenfosit yüzdesinin skorlanması (stromal TIL - sTIL), hastaların nükssüz ve genel sağkalımı için en güçlü bağımsız biyobelirteçlerden biri olarak kabul edilmektedir.
Ancak sTIL değerlendirmesinde uzun süredir aşılamayan üç temel klinik açmaz bulunmaktadır:
- Gözlemciler Arası Değişkenlik (Inter-observer variability): Farklı patologların, hatta aynı patoloğun farklı günlerde yaptığı değerlendirmelerde stromal alanın sınırlarını belirleme ve lenfosit yoğunluğunu tahmin etme biçimi değişkenlik gösterebilmektedir.
- Zaman ve İş Yükü Baskısı: Rutin patoloji pratiğinde mikroskop başında tümör stromasını homojen biçimde yüzdelendirmek zaman alıcı bir süreçtir.
- Uzman Patolog Eksikliği ve Küresel Eşitsizlik: Gelişmekte olan ülkelerde veya periferik hastanelerde meme immünonkolojisinde deneyimli sub-spesiyalist patolog kadroları son derece kısıtlıdır.
İşte bu darboğazı aşmak amacıyla geliştirilen yapay zekâ ve derin öğrenme algoritmaları; dijitalleştirilmiş tam slayt görüntüleri (WSI - Whole Slide Images) üzerinden hücreleri tek tek sınıflandırma yeteneği kazanmıştır. Ancak soru hep aynıydı: Laboratuvar ortamında eğitilen bir yapay zekâ modeli, bağımsız klinik çalışma serilerinde eğitilmeden/yeniden ayarlanmadan (locked model) gerçekten güvenilir bir sağkalım tahmini yapabilir mi? CATALINA çalışması, bu soruya şimdiye kadar verilmiş en kapsamlı ve en titiz metodolojik cevaptır.
CATALINA Çalışması: Tasarım, Kilitli Modeller ve Metodoloji
CATALINA, yedi farklı prospektif randomize adjuvan klinik çalışmadan elde edilen uzun dönem hasta takip verilerini bir araya getiren, platform tabanlı, uluslararası ve bağımsız bir dış doğrulama araştırmasıdır.
İncelenen İki Temel Kohort ve Kilitli AI Algoritmaları
Temel Bulgular: Sağkalım Analizleri ve Risk Oranları
CATALINA analizinde hem patoloğun gözle skorladığı sTIL hem de yapay zekânın hesapladığı cTIL skorları (özellikle toplam saptanan hücreler içinde lenfosit oranını gösteren percentage_lymphocyte skoru); standart klinikopatolojik değişkenler (yaş, tümör boyutu, lenf nodu tutulumu, kemoterapi rejimi) düzeltildikten sonra bile 5 yıllık invaziv hastalıksız sağkalım (IDFS), uzak metastazsız sağkalım (DDFS) ve genel sağkalım (OS) ile bağımsız ve istatistiksel olarak anlamlı düzeyde ilişkili bulundu:
| Sağkalım Parametresi (5 Yıllık) | Patolog sTIL Skoru (Hazard Oranı - HR) | Yapay Zekâ cTIL (percentage_lymphocyte HR) | İstatistiksel Anlamlılık |
|---|---|---|---|
| İnvaziv Hastalıksız Sağkalım (IDFS) | 0,73 (%95 GA: 0,66–0,82) | 0,80 (%95 GA: 0,73–0,89) | q < 0,0001 (Her ikisi de bağımsız) |
| Uzak Metastazsız Sağkalım (DDFS) | 0,70 (%95 GA: 0,61–0,79) | 0,77 (%95 GA: 0,69–0,86) | q < 0,0001 (Her ikisi de bağımsız) |
| Genel Sağkalım (OS) | 0,72 (%95 GA: 0,63–0,82) | 0,79 (%95 GA: 0,70–0,88) | sTIL q < 0,0001 / cTIL q = 0,0002 |
Her iki yöntem de standart klinik risk faktörlerinin ötesinde hastaların prognozunu güçlü bir biçimde ayrıştırmıştır. sTIL'deki her standart sapmalık artış ölüm riskinde %28'lik, cTIL'deki artış ise %21'lik bağımsız bir risk azalması sağlamıştır.
Makalenin En Çarpıcı İki Bulgusu: Mütevazı Korelasyon ve Artımsal Katkı Yokluğu
Çalışmanın sonuçları ilk bakışta yapay zekânın zaferi gibi görünse de onkoloji ve biyomedikal bilişim açısından son derece öğretici iki kritik ayrıntı içermektedir:
1. İnsan Gözü ile Yapay Zekâ Arasındaki Korelasyon "Ilımlı" Kaldı (r = 0,375 – 0,473)
Analitik kohortta yapay zekâ skorları ile patologların ortalama sTIL skorları arasındaki Spearman korelasyon katsayısı yalnızca 0,375 ile 0,473 arasında gerçekleşti. Bu oran istatistiksel olarak "ılımlı (modest)" bir uyumdur. Yani yapay zekâ, patoloğun mikroskopta gördüğü ve skorladığı alanı birebir kopyalamamaktadır. Yapay zekâ slaytın tamamındaki hücre nükleuslarını ve stroma/tümör kompartmanlarını piksel düzeyinde ayrıştırırken, insan patolog klinik deneyimle belirli odak alanlarını (hot-spot olmayan temsili stromal alanları) harmanlamaktadır. Buna rağmen her iki yöntemin de benzer sağkalım eğrileri öngörebilmesi, tümör immünolojisinin farklı pencerelerden de olsa aynı biyolojik gerçeği yansıttığını göstermektedir.
2. Patoloğun Üzerine Ekstra Bir Katkı Gelmiyor (No Incremental Value)
Model analizlerinde çok önemli bir metodolojik adım atıldı: Standart klinik faktörlerin (evre, yaş vs.) yanına patolog sTIL'i eklendiğinde modelin hastaları ayrıştırma gücü (AUC) belirgin olarak arttı. Ancak bu modele yapay zekâ cTIL skoru da eklendiğinde; cTIL'in bağımsız prognostik anlamlılığı kayboldu ve modelin 5 yıllık AUC ayrıştırma yeteneğinde istatistiksel bir ek artış (artımsal katkı) sağlanamadı.
Özetle: Deneyimli bir patoloğun skorlama yaptığı bir merkezde, masaya yapay zekâ skorunun da eklenmesi hastanın risk tahminini daha mükemmel hale getirmemektedir. Ancak patoloğun olmadığı bir merkezde yapay zekâ, klinik faktörlerin tek başına yapamadığı devasa prognostik sıçramayı tek başına üstlenebilmektedir.
DROZDOGAN AKADEMİ YORUMU
The Lancet Oncology'de yayımlanan CATALINA çalışması, onkolojide yapay zekânın "abartılı vaatler" evresinden "kanıta dayalı olgunluk" evresine geçtiğinin resmidir. Çalışmanın klinik ve pratik yansımalarını 4 eksende değerlendiriyoruz:
1. Yapay Zekâ İnsanın Yerini Almıyor, Erişimi Demokratikleştiriyor
CATALINA’nın en dürüst ve değerli çıktısı, cTIL’in patolog sTIL’ine üstünlük taslamamasıdır. Amaç patoloğu saf dışı bırakmak değil; sub-spesiyalist meme patoloğu bulunmayan taşra hastanelerinde, gelişmekte olan ülkelerde veya yoğunluktan ezilen patoloji laboratuvarlarında dijital slaytlar üzerinden güvenilir, standardize ve tekrarlanabilir bir risk skoru üretmektir. Bu, kanser bakımında küresel adaleti sağlayacak bir kaldıraçtır.
2. "Kilitli Model (Locked Model)" Başarısı Geleceğin Standardıdır
Yapay zekâ literatüründeki en büyük tuzak "overfitting" yani modelin kendi eğitildiği dar veri setinde harikalar yaratıp başka hastanenin camında çökmesidir. CATALINA’da modeller yedi farklı çok uluslu çalışmanın taranmış lamlarında tek bir satır kod değiştirilmeden, yeniden eğitilmeden doğrudan çalıştırılmış ve 1.300'ü aşkın hastada doğrulanmıştır. Bu yaklaşım, tıbbi yapay zekâ onayları için bundan böyle asgari standart olmalıdır.
3. İmmünoterapi ve Tedaviyi Hafifletme (De-escalation) Kararları
Erken evre üçlü negatif meme kanserinde güncel kılavuzlar neoadjuvan kemo-immünoterapi (örneğin pembrolizumab kombinasyonları) önermektedir. Yüksek sTIL ve cTIL skoruna sahip hastalar, klasik kemoterapiye dahi mükemmel yanıt vermekte ve mükemmel sağkalım göstermektedir. Gelecekte cTIL, hangi hastaya ağır toksisiteli immünoterapi verilmesi gerektiğini veya hangi hastada tedavinin güvenle azaltılabileceğini belirlemede rutin bir karar destek aracına dönüşecektir.
4. Türkiye Patoloji ve Onkoloji Pratiği İçin Yol Haritası
Ülkemizde dijital patoloji altyapısı üniversite ve şehir hastanelerinde hızla yaygınlaşmaktadır. Ancak taranan bu H&E slaytlarının yalnızca arşivde saklanması büyük bir kayıptır. CATALINA gibi valide edilmiş açık/onaylı algoritmaların hastane bilgi yönetim sistemlerine (HBYS) entegre edilmesi, periferden merkeze sevk edilen patoloji konsültasyon yükünü hafifletecek ve hastaların doğru risk gruplamasına anında ulaşmasını sağlayacaktır.
Bilimsel Referanslar
- Dixon-Douglas JR, Drubay D, Salgado R, Acs B, van der Laak J, Yuan Y, et al. Artificial intelligence-based tumour infiltrating lymphocyte quantification in patients with triple-negative breast cancer: an independent validation study (CATALINA). The Lancet Oncology. September 2026;27(9):1181-1192. doi:10.1016/S1470-2045(26)00339-6.
- Salgado R, Denkert C, Demaria S, et al. The evaluation of tumor-infiltrating lymphocytes (TILs) in breast cancer: recommendations by an International TILs Working Group 2014. Annals of Oncology. 2015;26(2):259-271.
- Loi S, Sirtaine N, Piette F, et al. Prognostic and predictive value of tumor-infiltrating lymphocytes in a phase III randomized adjuvant breast cancer trial in node-positive breast cancer: BIG 02-98. J Clin Oncol. 2013;31(7):860-867.
- Acs B, Pelekanou V, Bai Y, et al. Assessment of tumor-infiltrating lymphocytes in breast cancer with conventional light microscopy and objective digital image analysis. Laboratory Investigation. 2020;100(2):237-248.
- Schmid P, Cortes J, Pusztai L, et al. Pembrolizumab for Early Triple-Negative Breast Cancer (KEYNOTE-522). N Engl J Med. 2020;382(9):810-821.
