Torakal radyoterapide risk altındaki organlar için derin öğrenme otomatik segmentasyonu üzerine prospektif çok merkezli bir çalışma

Neden göğüs kanseri olan kişiler için önemli

Akciğer, meme veya özofagus kanseriyle karşılaşan kişiler için radyoterapi sıklıkla tedavinin önemli bir parçasıdır. Ancak ışınlamaya başlamadan önce doktorların, tümöre yönlendirme yapılırken sağlıklı dokuları koruyabilmek için göğüs içindeki hassas organları dikkatle çizmesi gerekir. Bu çalışma, hekimlerle birlikte kullanılan bir yapay zekâ türünün bu çizimi daha hızlı, daha doğru ve hastaneler arasında daha tutarlı hale getirip getiremeyeceğini test etti.

Göğüs taramaları radyasyon tedavisine nasıl rehberlik eder

Radyasyon planları, göğüsün ayrıntılı BT taramaları üzerine kurulur. Bu taramalarda doktorlar, akciğerler, kalp, omurilik ve özofagus gibi radyasyondan zarar görebilecek organların sınırlarını çizer. Bunlara risk altındaki organlar denir. Dilim dilim yapılan bu işlem yavaştır ve büyük ölçüde her doktorun deneyimine ve yerel eğitimine bağlıdır; bu da organların nasıl çizildiğinde ve ne kadar radyasyon aldıklarının görünümünde farklılıklara yol açabilir.

Araştırmacıların test etmek istediği şey

Araştırma ekibi, göğüste on bir ana organı otomatik olarak çizen iCurveE adlı bir derin öğrenme sistemini değerlendirdi. Bilgisayarın eski veriler üzerindeki performansını kontrol etmekle yetinmek yerine, Çin'deki beş hastaneyi kapsayan prospektif bir çalışma düzenlediler. Akciğer, meme veya özofagus kanseri olan 500 hastanın planlama BT taramaları üç şekilde çizildi: tamamen elle, yalnızca yapay zekâ tarafından ve yapay zekâ sınırlarından başlayıp hekimlerin düzenlediği şekilde. Toplamda değişen deneyim düzeylerinden 37 radyasyon onkolojisi uzmanı neredeyse 2.500 tam organ seti katkısında bulundu.

İnsan ve yapay zekânın birlikte ne kadar iyi çalıştığı

Yöntemleri karşılaştırmak için araştırmacılar, her organ sınırı setinin dikkatle üzerinde anlaşılmış uzman referansıyla ne kadar uyumlu olduğuna dair ölçümler kullandılar. Ayrıca her yaklaşımın ne kadar sürdüğünü kaydettiler. Ortalama olarak, hekimlerin düzenlediği yapay zekâ taslakları, tamamen elle çizilenlerden daha iyi ve yalnızca yapay zekâ tarafından çizilenlerden biraz daha iyi şekilde uzman referansına uydu. Sınır uyumsuzluğunu gösteren temel bir mesafe ölçüsü yapay zekâ desteğiyle daha düşüktü ve standart bir örtüşme skoru daha yüksekti. Aynı zamanda yapay zekâyı başlangıç noktası olarak kullanmak, ortanca çizim süresini 55 dakikadan 10 dakikaya düşürdü; bu %80’den fazla bir iyileşme ve bu zaman tasarrufu tüm hastaneler ve kanser türleri boyunca korundu.

Hastaneler ve deneyim düzeyleri arasında tutarlılık

Kanser bakımında bir endişe, daha küçük veya daha az kaynaklı hastanelerdeki hastaların büyük merkezlerdekiyle aynı kalitede planlama alamayabilmesidir. Bu çalışmada elle çizim, hastaneler arasında ve az deneyimli ile daha deneyimli doktorlar arasında önemli ölçüde değişti. Hekimler yapay zekâ tarafından üretilen taslaklardan çalıştığında, bu farklılıklar azaldı. Merkezler arasındaki doğruluk ve zaman farkı daraldı ve daha az deneyimli doktorlar kıdemli meslektaşlarına daha çok benzemeye başladı. Yapay zekâ ve insan incelemesinin birleşimi aynı zamanda organlara hesaplanan radyasyon dozlarındaki farklılıkları da küçülttü; bu da daha iyi çizimin tedavi riskinin daha güvenilir tahminlerine dönüşebileceğini öne sürüyor.

Gelecekteki kanser bakımına etkisi

Bu çalışma, doktorlar yapay zekâ tarafından üretilen konturları dikkatle gözden geçirip düzelttiklerinde, eliyle yapılan çizimlere kıyasla göğüs organlarını daha hızlı ve daha doğru çizebildiklerini ve hastaneler ile hekimler arasındaki farklılıkları azalttıklarını gösteriyor. Hastalar için bu, nerede tedavi olurlarsa olsunlar daha güvenli ve daha tutarlı radyasyon planları anlamına gelebilir. Çalışma ayrıca yapay zekânın klinisyenlerin yerini almak yerine bir araç olduğunu vurguluyor: insan gözetimi olağan dışı anatomi, görüntüleme sorunları ve model hatalarını yakalamak için hâlâ elzem. Benzer sistemler diğer vücut bölgelerinde ve sonuç odaklı çalışmalarda test edilip iyileştirildikçe, insan–yapay zekâ iş birliği radyoterapi planlamasının rutin bir parçası haline gelebilir.

Atıf: Niu, G., Guan, Y., Zhang, Y. et al. A prospective multicenter trial of deep learning auto-segmentation for organs at risk in thoracic radiotherapy. Nat Commun 17, 4633 (2026). https://doi.org/10.1038/s41467-026-70863-9

Anahtar kelimeler: torakal radyoterapi, otomatik segmentasyon, derin öğrenme, risk altındaki organlar, tıbbi görüntüleme yapay zekâsı