Memes kanser nüksünü ve sağkalım analizini öngörmek için birleşik çok modlu transformer çerçevesi

Kanserin geri gelmesini tahmin etmenin önemi

Birçok kadın için meme kanseri tedavisini tamamlamak rahatlama sağlar, ancak beraberinde kalan bir soru vardır: hastalık geri gelir mi, gelirse ne zaman ve ne kadar şiddetli olur? Bugünkü takip planları sıklıkla her hastaya özgü olmayan geniş ortalamalara dayanır. Bu çalışma, doktorlara meme kanserinin nüks etme riski ve hastaların kanserden aralıksız kalmaya muhtemel süreleri hakkında daha net, kişiselleştirilmiş bir görüş sağlamayı amaçlayan yeni bir yapay zeka sistemi sunuyor.

Çeşitli hasta verilerini bir araya getirmek

Meme kanseri nüksü tek bir sonuç değildir. Aynı memede yeni bir tümör, yakın lenf düğümlerine yayılma veya akciğer ya da kemik gibi uzak metastazlar şeklinde ortaya çıkabilir. Her desen tedavi ve sağkalım için farklı anlamlar taşır. Aynı zamanda risk, tümör özellikleri, gen aktivitesi, yaş, menopoz durumu, vücut ağırlığı, sigara kullanımı ve daha fazlası gibi iç içe geçmiş birçok etkenden şekillenir. Geleneksel istatistiksel araçlar bu klinik, genetik ve yaşam tarzı bilgilerinin karışımıyla başa çıkmakta zorlanır. Genellikle basit, lineer ilişkiler varsayarlar ve modern kanser verilerinin gerçek karmaşıklığını yakalayamayan el yapımı risk skorlarına dayanırlar.

Ayrı araçlar yerine birleşik akıllı bir model

Araştırmacılar, aynı anda iki görevi ele alan tek bir derin öğrenme çerçevesi tasarladılar: bir hastanın en olası olarak hangi dört nüks türünden birini yaşayacağını tahmin etmek ve o olayın zamanlamasını sağkalım analizi ile kestirmek. “Geri gelir mi?” ve “Ne zaman geri gelir?” için ayrı modeller kurmak yerine sistem her iki cevabı birlikte öğrenir. İçte, verideki ince desenleri ve uzun menzilli etkileşimleri keşfetmek için dildeki birçok ileri düzey aracın da gücünü taşıyan transformer mimarisini kullanır. Bu birleşik yaklaşım, onkologların izlediği yöntemi yansıtmayı amaçlar: izole hesaplamalar yapmak yerine birçok ipucunu aynı anda tartmak.

Sistemin sağlık verilerindeki desenleri okuma biçimi

Modele veri sağlamak için ekip, beş iyi bilinen kaynaktan büyük bir çok merkezli meme kanseri kayıt koleksiyonu derledi. Bunlar ayrıntılı klinik ölçümler, gen ifade profilleri, demografik bilgiler ve yaşam tarzı göstergeleri içeren binlerce hastayı kapsar. Bu tür veriler özellikle on binlerce gen aktivitesi ölçümü söz konusu olduğunda gürültülü ve yüksek boyutlu olabileceğinden, sistem önce her veri türünü bir “gürültü giderici otoenkoder”den geçirir. Bu adım, her modaliteyi önemli biyolojik sinyalleri korurken rastgeleliği filtreleyen daha temiz, sıkıştırılmış bir temsile dönüştürür.

Her hasta için en önemli olanı öğrenme

Sıkıştırmadan sonra model özellikleri basitçe birleştirmez. Bunun yerine, her birey için klinik, genetik veya yaşam tarzı bilgisine ne kadar ağırlık verileceğini öğrenen bir modalite‑dikkat (modality‑attention) mekanizması uygular. Bazı hastalar için tümör boyutu ve hormon reseptör durumu baskın olabilir; diğerleri için belirli bir gen deseni veya sigara öyküsü daha belirleyici olabilir. Bu ağırlıklı sinyaller tek bir hasta profiline kaynaştırılır ve farklı risk faktörlerinin nasıl etkileşime girdiğini modellemek için kendi üzerine dikkat (self‑attention) kullanan yığılı transformer katmanlarıyla işlenir. Bu ortak temsilden bir dal nüks türünü tahmin ederken, diğer dal beş ve on yıllık sağkalım eğrilerine dönüştürülebilecek sürekli bir risk skoru tahmin eder.

Performans, doğrulama ve yorumlanabilirlik

Beş veri kümesi genelinde yapılan testlerde birleşik sistem, lojistik regresyon, destek vektör makineleri, rastgele ormanlar, klasik Cox sağkalım modelleri ve daha basit sinir ağları gibi standart yöntemlerden sürekli olarak daha iyi performans gösterdi. Nüks türünü sınıflandırmada yaklaşık %98–99 doğruluk ve tahmin edilen sağkalım sırasının gerçeğe ne kadar uyduğunu gösteren yüksek bir konkordans indeksi elde etti. Modelin bir kohortta eğitilip başka bir kohortta test edildiği çapraz veri kümesi deneyleri, sistemin rakip yaklaşımlardan daha iyi genelleştiğini gösterdi. Gizemli bir “kara kutu” haline gelmemek için yazarlar, her tahmini en çok hangi özelliklerin etkilediğini vurgulayan açıklama araçları da kullandılar. Tümör boyutu, HER2 durumu, sigara, menopoz durumu, tanı yaşı ve BRCA1 mutasyonları özellikle önemli olarak öne çıktı ve mevcut tıbbi anlayışla iyi örtüştü.

Hastalar ve doktorlar için anlamı

Çalışmanın ana mesajı, dikkatle tasarlanmış tek bir yapay zeka sisteminin birçok bilgi ipliğini entegre ederek meme kanseri nüksü riski ve sağkalımı hakkında daha zengin, daha güvenilir bir resim sunabileceğidir. Gerçek dünya kliniklerinde öngörücü testlere hâlâ ihtiyaç olsa da bu çerçeve bir gün doktorların takip programlarını kişiselleştirmelerine, tedavileri seçmelerine ve hastalara daha fazla güvenle danışmanlık yapmalarına yardımcı olabilir. Hastalar için bu, gerçek risk düzeyleriyle daha iyi örtüşen takip planlarına dönüşebilir—bazıları için gereksiz endişe ve testleri azaltırken, daha yakından izleme veya daha agresif tedaviden fayda görebilecekleri kişileri işaretleyebilir.

Atıf: Malik, S., Patro, S.G.K., Al-Nussairi, A.K.J. et al. A unified multi modal transformer framework for breast cancer recurrence prediction and survival analysis. Sci Rep 16, 8334 (2026). https://doi.org/10.1038/s41598-026-37046-4

Anahtar kelimeler: meme kanseri nüksü, sağkalım öngörüsü, çok modlu derin öğrenme, transformer modeli, kişiselleştirilmiş onkoloji