Makine öğrenimi modelleri kullanılarak kanserler arası sağkalım tahmini

Kanser sağkalımını yeni yollarla tahmin etmenin önemi

Kanser hastaları ve aileleri sıklıkla acı veren ama basit bir soru sorar: “Ne kadar sürem kaldı?” Doktorlar deneyimleri ve geçmiş verilerle yanıt vermeye çalışır, ancak birçok nadir kanser için yeterli sayıda benzer vaka olmadığından kesin tahminler yapmak zordur. Bu çalışma, modern bilgisayar programlarının yaygın kanserlerden “deneyim ödünç alıp” daha az görülen kanserlerin sağkalımını tahmin etmeye yardımcı olup olamayacağını araştırıyor; bu sayede daha fazla hasta için daha net beklentiler ve daha iyi uyarlanmış bakım sağlanabilir.

Gelecekteki bakımı yönlendirmek için geçmiş hastaları kullanmak

Araştırmacılar, São Paulo, Brezilya’daki hastane kanser kayıtlarından elde edilen geniş bir gerçek dünya veri hazinesiyle çalıştı. Bu kayıtlar 2000 ile 2019 arasında tedavi edilen bir milyondan fazla hastayı kapsıyor ve yaş, tümör evresi, alınan tedaviler ve kişinin teşhis sonrası üç yıl hayatta olup olmadığı gibi ayrıntıları içeriyor. Ekip, karşılaştırma yaparken çok farklı tipik yaşam sürelerine sahip kanserleri de kapsayabilmek ve verinin aşırı dengesiz olduğu durumları (neredeyse herkesin ya hayatta kaldığı ya da öldüğü durumlar) önlemek için üç yıllık döneme odaklandı.

Bilgisayarlara sağkalım desenlerini öğretmek

Bu kayıtları bir tahmin aracına dönüştürmek için yazarlar XGBoost ve LightGBM olmak üzere iki yaygın makine öğrenimi yöntemini kullandı. Bu yöntemler biyolojiyi doğrudan anlamaya çalışmaz; bunun yerine hastalık evresi ve tedavi zamanlaması gibi özellikleri daha sonra sağkalımla ilişkilendiren desenleri bulmak için binlerce hasta geçmişini tarar. Önce ekip, meme, akciğer veya mide kanseri gibi her biri yalnızca tek bir kanser türü üzerinde eğitilmiş “uzman” modeller kurdu. Ardından bu modellerin aynı kanser türündeki yeni hastalar için üç yıllık sağkalımı ne kadar iyi tahmin edebildiğini, sağ kalanları ve sağ kalmayanları doğru tanımlama arasındaki dengeyi gözeten standart ölçütlerle kontrol ettiler.

Bir kanser başka bir kanseri tahmin etmeye yardımcı olabilir mi?

Çalışmanın özü cesur bir soru soruyor: Bir kanser türü üzerinde eğitilmiş bir model, farklı bir kanserde sağkalımı başarıyla tahmin edebilir mi? Bunu test etmek için araştırmacılar kanserleri iki şekilde grupladı: en yaygın kanserler (cilt, meme, prostat, kolorektal, akciğer ve serviks) ve sindirim sistemi kanserleri (ağız boşluğu, orofarenks, yemek borusu, mide, ince bağırsek, kolorektal ve anüs). İlk aşamada her kanser için ayrı modeller eğittiler ve bunları diğerlerinde denediler; yalnızca sağ kalım ve sağ kalmama durumlarının makul bir dengeyle tahmin edildiği eşleşmeleri seçtiler. Daha sonraki aşamalarda seçilen kanserlerden gelen verileri ortak eğitim kümelerinde birleştirerek, ilişkili tümörler arasındaki desenlerden yararlanan daha genel modeller oluşturdular.

Kanserler arası öğrenmenin işe yaradığı ve yaramadığı alanlar

Yaygın kanserler için türler arasında veri birleştirmek en iyi uzman modelleri geride bırakmadı. Örneğin altı yaygın kanserin hepsi üzerinde eğitilmiş tek bir model, her kanser için ayrıça uyarlanmış modellerden daha az doğru tahmin yaptı. Öykü bazı sindirim sistemi kanserlerinde farklıydı. Ağız boşluğu, yemek borusu ve mide kanserleri verileri birleştirildiğinde, ortaya çıkan model mide kanseri için üç yıllık sağkalımı mideye özgü modelden biraz daha iyi tahmin etti; dengelenmiş doğruluk yüzde 80’in biraz üzerindeydi. Ancak istatistiksel testler bu iyileşmenin tesadüften açıkça farklı olmadığını gösterdi; yani paylaşılan model ile uzman model temelde eşitti. Benzer “neredeyse ama tam olarak değil daha iyi” sonuçlar ağız boşluğu, ince bağırsak ve kolorektal kanserler için de görüldü; genellikle sağ kalanları doğru belirleme ile sağ kalmayanları doğru belirleme arasında takaslar vardı.

Nadir kanserli hastalar için bunun anlamı

Kanserler arası modeller en iyi hastalığa özgü modelleri nadiren geride bıraksa da, genellikle yalnızca diğer kanser türlerinden ödünç alınan bilgilerle onlara yakın performans gösterdiler. Büyük, yüksek kaliteli veri kümelerinden yoksun nadir kanserler için bu cesaret verici bir işaret: gelecekte doktorlar, uzman araçlar oluşturmak mümkün olmadığında, anlamlı sağkalım tahminleri sunmak için daha yaygın kanserlerde eğitilmiş modellere güvenebilirler. Yazarlar bu yöntemlerin rutin klinik kullanım için henüz hazır olmadığını, başka bölgelerde test edilmeleri ve daha derin biyolojik verilerle birleştirilmeleri gerektiğini vurguluyor. Yine de çalışma, kanserleri nadir olduğu için rehberlikten mahrum kalan bir hastanın olmadığı bir geleceğe işaret ediyor.

Atıf: Cardoso, L.B., Egydio, J.E., Toporcov, T.N. et al. Cross-cancer survival prediction using machine learning models. Sci Rep 16, 9623 (2026). https://doi.org/10.1038/s41598-025-34133-w

Anahtar kelimeler: kanser sağkalım tahmini, onkolojide makine öğrenimi, kanserler arası modelleme, Nadir kanserler, klinik kayıtlar