Tümörler ve Lenf Düğümleri için RECIST Ölçümleri ve Kapsamlı Segmentasyon Maskeleri İçeren Bir BT Veri Kümesi

Bu kanser görüntüleme kaynağı neden önemli

Kanser bakımı, tedavilerin işe yarayıp yaramadığını belirlemek için giderek daha fazla tıbbi görüntülere dayanıyor. Ancak hekimlerin BT taramalarında dilim dilim yaptığı titiz ölçümler zaman alıyor ve uzmanlar arasında farklılık gösterebiliyor. Bu makale, yaygın olarak kullanılan bir klinik kılavuza göre özenle çevrelenmiş ve ölçülmüş tümörler ile lenf düğümlerini içeren, açıkça erişilebilir yeni bir BT taraması koleksiyonunu sunuyor. Amaç, araştırmacıların bu zahmetli işin büyük bir kısmını bir gün devralabilecek ve kanser tedavisinin izlenmesini daha hızlı ve tutarlı hale getirebilecek bilgisayar programları geliştirmesine ve test etmesine yardımcı olmaktır.

Hekimler şu anda tümörleri nasıl izliyor

Bir kanser tedavisinin işe yarayıp yaramadığını değerlendirmek için radyologlar sıklıkla RECIST 1.1 adı verilen bir standardı takip eder. Uygulamada bu, bir hastanın BT taramalarında birkaç “hedef” tümör seçtikleri ve her birinin görülebilen en uzun çapını milimetre olarak kaydettikleri anlamına gelir. Zaman içinde bu çapların toplamını önceki taramalarla karşılaştırarak hastalığın küçülüp küçülmediğine, stabil kalıp kalmadığına veya büyüdüğüne karar verirler. Bu yaklaşım klinik çalışmalara düzen getirmiş olsa da dezavantajları vardır: hekimlerin hangi tümörleri seçtiğine büyük ölçüde bağlıdır, gerçek 3-B boyut yerine tek boyutlu ölçümlere dayanır ve tipik olarak hasta başına değerlendirme başına 10 dakikadan fazla sürer. Küresel olarak kanser vakaları arttıkça, bu sınırlamalar radyoloji hizmetleri üzerinde gerçek bir baskı oluşturuyor.

Yeni BT veri kümesi neler içeriyor

Yazarlar, Şili Üniversitesi Klinik Hastanesi’nde farklı kanser türleri için tedavi görmüş 22 yetişkinin BT taramalarını topladı; bunlar arasında akciğer, karaciğer, kolorektal, meme, over, mide, safra kesesi, mesane kanserleri ve melanom yer alıyor. 2017 ile 2023 arasında alınmış 58 toraks ve abdominal tarama serisinden, ölçülebilecek kadar büyük her katı tümör veya büyümüş lenf düğümünü tespit ettiler. Toplamda elle çevreledikleri 1.246 bireysel lezyon vardı: 1.148 metastaz (yayılmış tümör), 93 büyümüş lenf düğümü ve 5 primer tümör. Bu lezyonlardan 82’si için ayrıca klinik raporlarda kaydedilmiş resmi RECIST ölçümlerini de eklediler; bu, rutin uygulama ile otomatik yöntemler arasında yan yana karşılaştırmaya olanak tanıyor.

Uzmanlar ve yapay zekâ nasıl birlikte çalıştı

Böylesine ayrıntılı çevrelemeler normalde kabul edilemeyecek kadar yavaş olurdu, bu yüzden ekip “insan döngüde” stratejisini kullandı. Deneyimli radyologlar ve asistanlar şüpheli tümörlerin etrafına kaba 3-B kutular çizdiler ve MedSAM adlı güçlü bir segmentasyon modeli ilk sınırları önerdi. Asistanlar sonra bu sınırları düzeltti ve kıdemli radyologlar son bir inceleme yaptı. Her tarama partisi tamamlandıktan sonra, yapay zeka modeli geliştirilmiş çevrelemelerle yeniden eğitildi ve bir sonraki partide yardımcı olmak için kullanıldı. Her döngüyle birlikte performansı insan uzmanların kabul edeceği düzeye yaklaştı; böylece daha fazla düzeltme için gereken çaba azalırken doğruluk korundu.

Veriler tümörler hakkında neler ortaya koyuyor

Taramalardaki her lezyon üç boyutta çevrelendiği için yazarlar bunların boyutlarını ve yoğunluklarını ayrıntılı şekilde inceleyebildiler. Çoğu tümör akciğerlerde ve karaciğerdeydi. Akciğer tümörleri hacim olarak genellikle küçük olma eğilimindeydi ama göreceli olarak uzun çaplara sahipti; lenf düğümleri ise karaciğer tümörlerinden daha büyük hacimler fakat biraz daha kısa ana çaplar gösterdi. Ekip ayrıca bu bölgelerin BT’de parlak veya koyu görünme derecesini, yani doku yoğunluğuyla ilişkili özelliği inceledi. Hava ile çevrili akciğer tümörleri, karaciğer tümörleri ve lenf düğümlerinden çok farklı yoğunluk desenleri gösterdi; bu da BT görüntülerinden elde edilecek basit sayısal özelliklerin lezyon türlerini ayırt etmeye yardımcı olabileceğini öne sürüyor. Önemli olarak, çalışma bir lezyonun en uzun çapı ile gerçek 3‑B hacmi arasında güçlü bir ilişki olduğunu doğruladı; bu da çap tabanlı kuralların (RECIST gibi) dikkatle uygulandığında tam hacim ölçümlerine pratik bir vekil olarak işleyebileceği fikrini destekliyor.

Derin öğrenmeyle veri kümesini teste sokmak

Veri kümesinin nasıl kullanılabileceğini göstermek için araştırmacılar iki tür derin öğrenme sistemini eğitti ve iyileştirdi. Önce MedSAM’i basit sınırlayıcı kutulardan otomatik olarak tümörleri segmentleyecek şekilde ince ayar yaptılar; uzman çevrelemelerle örtüşme skorları, çok daha büyük uluslararası veri kümelerinde bildirilenlerle aynı aralıkta çıktı. İkinci olarak, yaygın kullanılan nnUNet çerçevesini uyarladılar; küresel akciğer ve karaciğer görüntüleme yarışmalarında eğitilmiş modellerden başlayıp bunları bu yeni Şili verisi üzerinde ince ayar yaptılar. İnce ayardan sonra sistemler, özellikle akciğer tümörleri için, orijinal performanslarını yakaladı veya aştı; bu, hasta kohortu nispeten küçük olsa bile görüldü. Bu, dikkatle küratörlüğü yapılmış yerel verilerin belirli bir hastane ortamında yapay zekâ araçlarının güvenilirliğini önemli ölçüde artırabileceğini gösteriyor.

Gelecekteki kanser bakımına ne ifade ediyor

Uzman olmayanlar için ana mesaj, bu veri kümesinin kendi başına bir tanı ürünü değil, kolaylaştırıcı bir araç olduğudur. Her görülebilir tümör ve lenf düğümünün çevrelendiği ve birçok durumda hassas şekilde ölçüldüğü BT taramalarını açıkça paylaşarak, yazarlar tümör takibini otomatikleştirmeyi amaçlayan algoritmalar için gerçekçi bir eğitim alanı sağlıyor. Bu tür araçlar, radyologların elle ölçümlere harcadığı zamanı azaltıp daha karmaşık değerlendirmelere odaklanmalarına yardımcı olurken okuyucular arasındaki varyasyonu da azaltabilir. Veriler Latin Amerika kökenli bir hastaneden geldiği ve serbest bir lisansla yayınlandığı için, gelecekteki tıbbi yapay zekânın daha çeşitli hasta grupları üzerinde test edilmesini sağlamaya da katkıda bulunur; bu da otomatik kanser izlemenin dünya çapında güvenli ve güvenilir şekilde çalışması olasılığını artırır.

Atıf: Rojas-Pizarro, R., Vásquez-Venegas, C., Pereira, G. et al. A CT Dataset with RECIST Measurements and Comprehensive Segmentation Masks for Tumors and Lymph Nodes. Sci Data 13, 270 (2026). https://doi.org/10.1038/s41597-026-06597-6

Anahtar kelimeler: kanser görüntülemesi, BT taramaları, tümör segmentasyonu, RECIST, tıbbi yapay zeka veri kümeleri