Rutin laboratuvar verilerinden akut lösemi alt tiplerini tahmin eden yapay zeka algoritmalarının uluslararası test edilmesi ve iyileştirilmesi

Bu, tüm hastalar için neden önemli

Akut lösemi hastalarının çoğu için saat, uzman görmeden çok önce işlemeye başlar. İleri düzey testlerin kıt veya yavaş olduğu bölgelerde, bir hastanın hangi lösemi türüne sahip olduğunu belirlemek günler alabilir—ve bu süreleri olmayabilir. Bu çalışma, neredeyse her hastanenin zaten yaptığı rutin kan testlerini kullanarak bir yapay zeka (YZ) programının hızla olası lösemi alt tipini önerebilip önermeyeceğini ve bunun özellikle kaynak kısıtlı ortamlarda hekimlerin daha hızlı hareket etmesine yardımcı olup olamayacağını araştırıyor.

Günlük kan testlerini erken uyarıya dönüştürmek

Araştırmacılar, dünyanın dört bir yanındaki 16 ülkeden 20 merkezde tedavi görmüş 6206 akut lösemi hastasının kayıtlarını bir araya getirdi; bu merkezler tüm yaşanılan kıtaları ve farklı gelir düzeylerini kapsıyordu. Uzman görüntüleme ya da genetik testlere dayanmak yerine, tanı sırasında alınan hemogram, pıhtılaşma ölçümleri ve temel kimya sonuçları gibi standart laboratuvar ölçümlerini mevcut bir YZ modeline beslediler. Amaç, öncelikle Fransız verileriyle oluşturulmuş bir aracın üç ana lösemi türünü—akut miyeloid lösemi (AML), akut promiyelositik lösemi (APL) ve akut lenfoblastik lösemi (ALL)—çok farklı hastanelerde, popülasyonlarda ve yaş gruplarında tanıyıp tanıyamayacağını görmektı.

Güçlü işaretler, ama kimlerin yararlandığında boşluklar

Model erişkinlere geniş çapta uygulandığında genel olarak iyi performans gösterdi: erken tanının hayatta kalımı güçlü biçimde etkileyebileceği AML ve APL için özellikle doğruydu. Ancak orijinal sürüm, yalnızca çok emin olduğunda sonucu raporlayan katı bir iç “güven” kuralı içeriyordu. Bu, kağıt üzerinde rakamların mükemmel görünmesine yol açtı, ama pratikte hastaların %90’tan fazlasına YZ önerisi sunulmaması anlamına geliyordu. Bu kural olmadan bile performans merkezler ve lösemi türleri arasında geniş ölçüde değişti; bu durum hasta yaşları, yerel hastalık paternleri ve hatta hangi laboratuvar cihazlarının kullanıldığı gibi farklılıkları yansıtıyordu.

Sistemi gerçek dünyadaki düzensiz verilerle başa çıkacak şekilde eğitmek

Aleti günlük uygulamada daha yararlı hale getirmek için ekip, bazen neden başarısız olduğunu irdelemeye odaklandı. Doğru ve yanlış işaretlenmiş hastaların temel kan testi paternlerini karşılaştırdılar ve hangi ölçümlerin en çok önem taşıdığını görmek için istatistiksel açıklama yöntemleri kullandılar. Bazı pıhtılaşma belirteçleri ve kırmızı kan hücresi özellikleri APL’yi diğer türlerden ayırmada özellikle önemliyken, beyaz hücre paternleri AML ile ALL’i ayırmada yardımcı oldu. Araştırmacılar daha sonra modelin daha önce görmediği şekilde görünen “aykırı” hastaları tarayan yeni bir ön işleme adımı eklediler. İki böyle filtreyi birleştirip yalnızca ılımlı bir vaka kesimini çıkararak, zor gruplar—özellikle daha önce modelin güven eşiğinin altında kalan hastalar—için doğruluğu artırdılar ve yine de tahminleri çoğu kişi için erişilebilir tuttular.

Sadece erişkinlere değil, çocuklara da uyarlamak

Çocuklardaki lösemi genellikle erişkinlerden farklı laboratuvar paternleri gösterir ve bunun büyük önemi olduğu görüldü. Erişkinlere eğitilmiş YZ 1746 pediatrik hasta üzerinde çalıştırıldığında, performansı özellikle AML için düştü. Ekip, pıhtılaşma faktörleri ve hücre sayımları gibi temel kan değerlerinin genç hastalarda farklı aralıklara sahip olduğunu gösterdi. Daha zayıf performansı kabul etmek yerine, YZ’yi özgül olarak pediatrik verilerle yeniden eğittiler; bu, çocukluk dönemi ALL ve AML’i tanıma yeteneğini keskin şekilde iyileştirirken nadir görülen pediatrik APL vakalarında da güçlü sonuçları korudu. Bu, tanıya destek olmak üzere tasarlanmış YZ sistemlerinin hizmet etmeyi amaçladıkları popülasyonlara göre uyarlanması gerektiğine dair önemli bir ders vurguluyor.

Daha hızlı ve daha adil lösemi bakımına doğru

Yazarlar, bu YZ aracının mikroskobik inceleme, akım sitometrisi ve genetik testleme gibi doktorların lösemi tipini doğrulamak ve kesin tedavileri seçmek için dayandıkları altın standart prosedürlerin yerine geçmediğini vurguluyor. Bunun yerine, zaten geniş ölçüde erişilebilir olan laboratuvar testlerini kullanarak olası lösemi alt tiplerini hızla işaretlemenin bir yolunu sunuyor; bu, birçok düşük ve orta gelirli ülkede bile erişilebilir. Modeli farklı hastanelere uyacak şekilde rafine ederek, güvenilmez tahminleri filtreleyerek ve pediatrik bir sürüm oluşturarak çalışma, YZ’nin uzman bakıma ve hayat kurtarıcı tedaviye ulaşma süresini kısaltmaya yardımcı olabileceğini gösteriyor. Bu çalışma, böyle bir karar destek aracının erken ölüm oranlarını gerçekten düşürüp düşürmediğini sınamak için gelecekte yapılacak denemelerin zeminini hazırlıyor ve modern lösemi bakımının yararlarını hastaların yaşadığı yerden bağımsız olarak biraz daha yakınlaştırmayı hedefliyor.

Atıf: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Anahtar kelimeler: akut lösemi, yapay zeka, tanısal destek, sağlık eşitliği, laboratuvar testleri