Yapay zekâ, sayısallaştırılmış kemik iliği biyopsi görüntülerini kullanarak trombositozlu prefibrotik primer miyelofibroz ile esansiyel trombositemiyi ayırt ediyor

Kan hastalığı olan kişiler için bunun önemi

Doktorlar, uzun vadeli riskleri çok farklı olan iki benzer kan durumunu ayırt etmekte sık sık zorlanır. Bu çalışma, yapay zekânın bilgisayar ekranındaki kemik iliği görüntülerini okuyarak bu hastalıkları daha doğru şekilde ayırabildiğini ve insan gözünün gözden kaçırıyor olabileceği ince doku özelliklerine işaret edebileceğini gösteriyor. Hastalar açısından bu, nihayetinde daha iyi tanı, daha net risk bilgisi ve daha hedeflenmiş tedavi anlamına gelebilir.

Çok benzer ama çok farklı geleceklere sahip iki hastalık

Esansiyel trombositemi ve prefibrotik primer miyelofibroz, her ikisi de aşırı platelet (pıhtılaşmaya yardımcı kan hücreleri) üretimine yol açan nadir kemik iliği hastalıklarıdır. Mikroskop altında, kemik iliği örnekleri oldukça benzer görünebilir; bu nedenle uzman patologlar bile bazen hangi tanının verileceği konusunda fikir ayrılığı yaşayabilir. Ayrım önemlidir çünkü prefibrotik formdaki kişilerde, esansiyel trombositemiye kıyasla kemik iliğinin şiddetli skarlaşması, lösemi ve yaşamı tehdit eden komplikasyonların gelişme olasılığı daha yüksektir. Mevcut kılavuzlar, hücre şekillerinin ve ince skarlaşmanın uzmanlar tarafından görsel olarak değerlendirilmesine dayanır; bu süreç hem öznel hem de zaman alıcıdır.

Bir bilgisayarı kemik iliği lamlarını okumaya öğretmek

Araştırmacılar, rutin boyanmış kemik iliği biyopsi görüntülerinden doğrudan çalışan iki parçalı bir yapay zekâ sistemi geliştirdiler. Önce, esasen on binlerce kanser laminine maruz kalmış güçlü, önceden eğitilmiş bir modeli kullanarak biyopsinin her küçük bölgesinden ayrıntılı görsel desenler çıkardılar. Ardından algoritmanın hangi tanıyı daha güçlü desteklediğini belirten bölgelere daha yüksek önem atamasına izin veren bir “dikkat” yöntemi uyguladılar. Tanıları özenle doğrulanmış 200 İtalyan hasta üzerinde eğitilen ve ardından bağımsız bir ABD kanser merkezinden gelen bir grup üzerinde test edilen sistem, iki hastalığı yüksek doğrulukla ayırdı. Doğrulama grubundaki hastaların onda dokuzundan fazlasında prefibrotik primer miyelofibroz ile esansiyel trombositemiyi doğru şekilde ayırdı ve özellikle daha yüksek riskli hastalığı yanlış etiketlememekte güçlü bir performans sergiledi.

Yapay görüntülerle yapay zekânın ne gördüğünü incelemek

Modelin hangi görsel ipuçlarına güvendiğini anlamak için ekip, her hastalığa tipik görünen gerçekçi kemik iliği yama görüntüleri oluşturabilen bir üretken bileşen ekledi. Sınıflandırıcının kendinden emin şekilde değerlendirdiği hem gerçek hem de bilgisayar tarafından üretilmiş görüntü karolarını seçtiler ve üç uzman hematopatoloğa, kör çalışma koşullarında, bunları etiketlemelerini istediler. Gerçek görüntüler için insan uzmanlar, cevap vermeye istekli olduklarında çoğu zaman yapay zekânın tanısıyla uzlaştı. Ancak özellikle esansiyel trombositemiyi taklit eden birçok sentetik görüntüde, patologlar sıklıkla algoritmayla uyuşmadı ya da güvenle bir tanı seçemeyeceklerini hissetti; oysa yapay zekâ bu karoları bilinen hasta verilerine göre doğru sınıflandırmıştı.

Kemik iliğinde yağ ile hücrelerin beklenmedik rolü

İnsan ile makine arasındaki bu karşıtlık, hem gerçek hem de üretilmiş görüntülerde doku bileşimine daha yakından bakılmasını sağladı. Başka bir görüntü analiz aracı kullanarak, araştırmacılar her karonun ne kadarının yağ boşluklarıyla ne kadarının kan üreten hücrelerle dolu olduğunu ölçtüler. Genel olarak esansiyel trombositemi ile ilişkilendirilen örnekler daha fazla yağ içerirken, prefibrotik primer miyelofibroz ile ilişkilendirilenler hücrelerle daha yoğun şekilde doluydu. Bu desen gerçek hasta görüntülerinde ve bilgisayar tarafından oluşturulmuş görüntülerde görüldü ve sentetik esansiyel trombositemi laminlerinde daha da belirgindi. Modelin “dikkat” ısı haritaları ayrıca algoritmanın doğal olarak kemiğe veya yapaylığa değil, aktif kan üretim bölgelerine odaklandığını gösterdi; bu da algoritmanın kestirme yollar yerine biyolojik olarak anlamlı ipuçları öğrendiğini düşündürüyor.

Tanı ve tedavi için bunun anlamı ne olabilir

Pratik açıdan, çalışma özenle eğitilmiş bir yapay zekâ sisteminin standart mikroskop lamlarını kullanarak bu iki benzer kemik iliği hastalığını ayırmada patologlara yardımcı olabileceğini ve mevcut kontrol listelerinin bir parçası olmayan, yağ ve hücre dengesine benzer faydalı doku özelliklerini ortaya çıkarabileceğini öne sürüyor. Yazarlar aracın şu an için uzman incelemesinin yerini almasının amaçlanmadığını, özellikle şimdiye kadar incelenen hasta sayısının sınırlı olduğunu vurguluyor. Bunun yerine, özellikle bu tür vakaları daha az gören merkezlerde ikinci okuyucu olarak görev yapabileceğini ve daha agresif prefibrotik hastalığı dışlayarak hangi hastaların klinik çalışmalara dahil edileceğinin iyileştirilmesine yardımcı olabileceğini belirtiyorlar. Zamanla, bu tür görüntü tabanlı yapay zekâyı klinik ve genetik verilerle birleştirmek, bu nadir kan hastalıklarıyla yaşayan kişiler için daha güvenli, kişiselleştirilmiş bakım sağlamayı destekleyebilir.

Atıf: Srisuwananukorn, A., Loscocco, G.G., Dolezal, J.M. et al. Artificial intelligence differentiates prefibrotic primary myelofibrosis with thrombocytosis from essential thrombocythemia using digitized bone marrow biopsy images. Leukemia 40, 1018–1026 (2026). https://doi.org/10.1038/s41375-026-02893-7

Anahtar kelimeler: yapay zekâ, kemik iliği biyopsisi, miyeloproliferatif neoplaziler, esansiyel trombositemi, prefibrotik primer miyelofibroz