Kontrastlı BT kullanarak hepatoselüler karsinom rezeksiyon hacmini tahmin etmek için derin öğrenme tabanlı sistem

Karaciğer Kanseri Ameliyatı İçin Daha Akıllı Planlama

Karaciğer kanseri olan kişiler için cerrahların karşılaştığı en büyük zorluklardan biri ne kadar karaciğerin çıkarılacağına karar vermektir. Çok az almak tümörü geri döndürebilir; çok fazla almak ise hastanın hayatta kalması için yeterli sağlıklı karaciğer bırakmayabilir. Bu çalışma, ameliyatları daha güvenli, hızlı ve tutarlı hale getirmeyi amaçlayarak doktorların karaciğer operasyonlarını hızlı ve doğru şekilde planlamasına yardımcı olmak için BT taramalarını kullanan yeni bir yapay zeka (YZ) sistemi sunuyor.

Karaciğer Boyutunun Neden Bu Kadar Önemli Olduğu

En yaygın primer karaciğer kanseri olan hepatoselüler karsinom, hem agresif hem de dünya genelinde giderek daha sık görülüyor. Tümörü tamamen çıkarmayı başaran cerrahi, bazı hastalara uzun süreli sağkalım şansı tanıyor. Ancak karaciğer istediğiniz gibi serbestçe kesilebilecek başka bir organ değil. Toksinleri süzmekten besinleri işlemeye kadar birçok hayati görev üstlenir. Cerrahlar çok fazla karaciğer çıkarırsa, hastalar ameliyat sonrası yaşamı tehdit eden karaciğer yetmezliğiyle karşılaşabilir. Öte yandan tümör çevresinde çok küçük bir sınır bırakmak, kanser hücrelerinin kalma olasılığını artırır. Bu nedenle güvenle çıkarılabilecek karaciğer bölümünü doğru hesaplamak modern karaciğer cerrahisinin merkezindedir.

Yavaş, Elle Yapılan Mevcut Durum

Bugün bu dikkatli hesaplama genellikle manuel olarak yapılıyor. Radyologlar ve cerrahlar kontrastlı BT taramalarını özel üç boyutlu (3B) planlama yazılımlarına yükleyip dilim dilim karaciğeri ve tümörleri çizer, ana kan damarlarını belirler ve farklı kesme planlarını simüle ederler. Bu işlem hasta başına dakikalar alabilir ve yüksek eğitimli personel gerektirir. Ayrıca insan kaynaklı farklılıklara açıktır: iki uzman sınırları biraz farklı çizebilir ve aynı kişi günler arasında tam tutarlı olmayabilir. Çok sayıda hastanın karaciğer ameliyatına ihtiyaç duyduğu yoğun hastanelerde bu zaman alıcı planlama bakımı yavaşlatabilir ve maliyet ekleyebilir.

LRVCD Adlı Bir YZ Asistanı

Araştırmacılar, Liver Resection Volume Calculation with Deep Learning yani Derin Öğrenme ile Karaciğer Rezeksiyon Hacmi Hesaplaması adını verdikleri YZ tabanlı bir sistem geliştirdiler (LRVCD). Sistem, on yıllık sürede iki büyük hastanede tedavi gören 990 hastadan alınan BT taramaları üzerinde eğitilen derin öğrenme modelleri kullanıyor. Birinci aşamada YZ, BT görüntülerinde otomatik olarak karaciğer tümörlerini tespit ediyor ve karaciğeri ayrıntılı anatomik segmentlere ayırıyor. İkinci aşamada sistem, bu segment haritalarını cerrahın seçtiği planla —standart segmental rezeksiyon veya daha düzensiz, kişiye özel kesim olsun— birleştirerek ne kadar sağlıklı karaciğer dokusu ve ne kadar tümörün çıkarılacağını hesaplıyor. Sistem toplam karaciğer boyutu, tümör boyutu, planlanan rezeksiyon hacmi ve çıkarılacak karaciğer yüzdesi gibi temel sayıları raporluyor.

Sistemi Sınamak

LRVCD’nin güvenilir olup olmadığını kontrol etmek için ekip, sonuçlarını deneyimli cerrahların kullandığı yerleşik 3B planlama yazılımlarının sonuçlarıyla karşılaştırdı. İki bağımsız hasta grubunu değerlendirdiler: YZ’nin eğitildiği aynı hastaneden bir grup ve farklı merkezlerden bir başka grup. Her vaka için YZ’nin karaciğer hacmi, tümör hacmi ve planlanan rezeksiyon tahminlerinin manuel referansla ne kadar örtüştüğünü ölçtüler. Farklar küçüktü ve ana ölçü olan çıkarılacak karaciğer yüzdesinde uyum her iki grupta da yakındı. YZ genel karaciğer boyutunu hafifçe olduğundan küçük, tümör hacmini ise hafifçe olduğundan büyük tahmin etme eğilimindeydi; bu eğilimler kabul edilebilir klinik sınırlar içindeydi ve insan kaynaklı 3B planlamanın bilinen yanılgılarıyla paraleldi.

Saatler Süren İşten Saniyelere

LRVCD’nin en çarpıcı avantajlarından biri hızıdır. Hem dahili hem de harici test gruplarında YZ destekli iş akışı, geleneksel 3B yazılım sürecine kıyasla planlama süresini yaklaşık yirmi kat azalttı. Eskiden on dakika veya daha fazla süren işler artık yarım dakikanın altında tamamlanabiliyor. YZ segmentasyon ve hacim hesaplamasının ağır yükünü üstlendiği için insan girdisi büyük ölçüde temel cerrahi bilgilerin girilmesi ve gerektiğinde küçük düzeltmeler yapmakla sınırlı kalıyor. Bu da radyologların ve cerrahların tekrarlayan fare işlerinden ziyade klinik kararlara odaklanmasına imkan veriyor.

Bu Hastalar İçin Ne Anlama Geliyor

Hastalar için teknik ayrıntılar basit bir vaade indirgeniyor: ekstra tarama veya ek maliyet olmadan daha hassas ve hızlı cerrahi planlama. LRVCD, güvenle ne kadar karaciğerin çıkarılabileceğine dair hızlı ve tutarlı tahminler sunarak cerrahların küratif operasyonlara daha rahat yönelmesine ve ameliyat sonrası karaciğer yetmezliği riskini kontrol altında tutmasına yardımcı olabilir. Çalışma, bu YZ aracının yerleşik 3B planlama yöntemleri kadar iyi performans gösterdiğini ve iş yükünü büyük ölçüde azalttığını gösteriyor. Yazarlar, sistemi daha geniş hasta gruplarında test etmek ve cerrahi karar vermeyi daha da otomatikleştirmek için daha fazla çalışmaya ihtiyaç olduğunu belirtiyor, ancak sonuçlar YZ destekli planlamanın yakında karaciğer kanseri bakımında ameliyathane için pratik bir yardımcı olabileceğini öne sürüyor.

Atıf: Wang, X., Zhang, L., Liu, P. et al. Deep learning-based system to predict hepatocellular carcinoma resection volume using contrast-enhanced CT. Sci Rep 16, 6388 (2026). https://doi.org/10.1038/s41598-026-37085-x

Anahtar kelimeler: karaciğer kanseri ameliyatı, tıbbi görüntüleme yapay zeka, hepatoselüler karsinom, BT tarama planlaması, karaciğer rezeksiyon hacmi