Yorumlanabilir bir yapay zeka sistemi, yüksek riskli meme lezyonlarını sınıflandırarak yanlış pozitif MR tanılarını azaltıyor

Daha Akıllı Taramalar, Daha Az Gereksiz İşlem

Meme MRI, özellikle yüksek risk altındaki kadınlarda kanseri erken tespit etmede en iyi araçlardan biridir, ancak sıklıkla “çok fazla” şey görür ve zararsız birçok odağı şüpheli olarak işaretler. Bu gri bölge bulguları anksiyete, ek testler ve sonuçta iyi huylu çıkan ağrılı biyopsilere yol açar. Bu çalışma, radyologlarla birlikte meme MR’larını okuyan ve gerçekten tehlikeli lezyonları güvenle izlenebilecek olanlardan ayırmaya yardımcı olan yeni bir yapay zeka (YZ) sistemi tanıtıyor; amaç, kanseri yakalarken çok sayıda kadını biyopsiye göndermekten kaçınmak.

Belirsiz Meme MRI Bulgularının Sorunu

Radyologlar bir meme MR’ını okurken şüpheli alanları BI-RADS adı verilen bir ölçekle sınıflandırır. 4. kategori en sorunlu olandır: %2 ila %95 arasında kanser olma olasılığı olan lezyonları kapsar. Bu aralık çok geniş olduğundan, mevcut uygulama neredeyse tüm bu olguların biyopsiyle değerlendirilmesi yönündedir. Sonuç olarak, birçok kadın sonunda iyi huylu çıkan lezyonlar için invaziv prosedürlerden geçer. Buna ek olarak, MR yorumu öznel olabilir. Özellikle daha az deneyimli radyologlar aynı taramada birbirinden farklı değerlendirmeler yapabilir, bazen iyi huylu bulguları aşırı değerlendirebilir veya ince kanserleri atlayabilirler. Yazarlar, bu belirsizliği azaltacak ve gerçek dünya hastane pratiğine uyacak bir araç geliştirmeyi amaçladılar.

Binlerce Taramayla Eğitilmiş Bir YZ İş Ortağı

Araştırmacılar BI-RADS 4 Lezyon Analiz Sistemi veya BL4AS adlı, bu yüksek riskli ama belirsiz MR bulguları için özel olarak tasarlanmış bir YZ modeli geliştirdiler. Tek kareye dayanan önceki sistemlerin aksine BL4AS, kontrast madde enjeksiyonundan sonra birden çok zaman noktasına bakar ve her lezyonun zaman içinde nasıl parladığını ve söndüğünü izler. Bu değişen desenler, dokuya ilişkin iyi huylu mu yoksa kötü huylu mu olduğuna dair önemli ipuçları taşır. Ekip önce genel görüntüleme özelliklerini öğrenmesi için 17.000’den fazla MR hacmi üzerinde geniş bir “temel model” ön eğitim uyguladı, sonra üç tıp merkezinde tedavi gören 2.686 kadından alınan 2.803 BI-RADS 4 lezyon üzerinde ince ayar yaptı. Sistem hem lezyonu sınırlıyor hem de düşük veya yüksek risk olarak sınıflandırıyor ve kanser olma olasılığını sunuyor.

Gerçek Kliniklerde İnsani Okuyucuları Geride Bırakmak

BL4AS’in laboratuvar dışındaki performansını görmek için yazarlar onu diğer hastanelerden gelen bağımsız veriler ve yeni, prospektif olarak toplanmış bir hasta grubu üzerinde test ettiler. Bu ortamlarda YZ yüksek doğruluk gösterdi ve kritik olarak, radyologlardan çok daha yüksek özgüllük sergiledi—yani iyi huylu lezyonları tanıma ve yanlış alarmlardan kaçınma konusunda daha başarılı oldu. Prospektif bir okuyucu çalışmasında sekiz radyolog önce vakaları kendi başlarına yorumladı, sonra BL4AS’in yardımıyla yeniden okudu. YZ desteğiyle tanısal doğrulukları arttı, yanlış pozitif oranları çeyrekten fazla düştü ve okuyucular arasındaki uyum belirgin biçimde iyileşti. Daha az deneyimli radyologlar en çok faydayı gördü; sistemle desteklendiklerinde performansları kıdemli meslektaşlarına neredeyse eşit hale geldi.

YZ Kararlarını Şeffaf ve Eyleme Dönüştürülebilir Kılmak

Klinisyenlerin “kara kutu” YZ’ye karşı tedbirli olması anlaşılabilir olduğu için ekip görsel açıklamalar ekledi. BL4AS, kararını etkileyen lezyon bölgelerini vurgulayan ısı haritaları üretiyor; genellikle düzensiz şekiller, keskin kenarlar ve radyologların zaten kanserle ilişkilendirdiği olağandışı kontrastlanma desenlerine odaklanıyor. Sistem ayrıca basit bir evet/hayır kanser tahmininin ötesine geçerek lezyonları artan riskleri yansıtan BI-RADS 4A, 4B veya 4C altgruplarına ayırıyor. Harici test setlerinde bu YZ tarafından tanımlanan altkategoriler gerçek kanser oranlarıyla yakından uyuştu ve hem biyopsiyi güvenle atlayabilecek düşük riskli lezyonları belirlemede hem de hızla tedavi edilmesi gereken yüksek riskli lezyonları işaretlemede radyologlardan daha iyi performans gösterdi.

Bu Hastalar İçin Ne Anlama Gelebilir

Genel olarak çalışma, BL4AS gibi yorumlanabilir bir YZ yardımcısının radyologların meme MR’larını daha tutarlı okumalarına, gereksiz biyopsileri azaltmalarına ve kaçırılan kanserlere karşı çok yüksek bir güvenlik marjını korumalarına yardımcı olabileceğini öne sürüyor. Zaman çözünür MR verilerinin tüm zenginliğini kullanıp gerekçesini insan dostu bir şekilde sunarak, sistem daha kişiselleştirilmiş meme kanseri bakımına pratik bir yol sunuyor: Gerçekten endişe verici lezyonları olan kadınlar hızla tedaviye geçebilir, düşük riskli bulgusu olanlar ise invaziv işlemlerden kaçınarak yakın izlemi tercih edebilirler.

Atıf: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

Anahtar kelimeler: meme MRI, yapay zeka, kanser tanısı, tıbbi görüntüleme, risk sınıflandırması