Tayfsal görüntüleme ve yapay zeka kullanarak tiroid kanserinin tespiti ve sınıflandırılması

Tiroid kanserini erken fark etmenin önemi

Tiroid kanseri, hormon üreten bezlerin en sık görülen kanseridir ve teşhisi hâlen büyük ölçüde patoloğun mikroskop altında gözlemlediklerine dayanır. Ancak uzmanlar bile, özellikle kısmen zararsız ve kısmen endişe verici görünen sınır durumlarda, görüş ayrılığına düşebilir. Bu çalışma, standart tiroid doku lamlarını gelişmiş ışık ölçümleri ve yapay zeka ile okumaya yönelik yeni bir yaklaşımı tanımlıyor; amaç, doktorların normal doku ile kanseri daha doğru ve tutarlı şekilde ayırt etmesine yardımcı olmaktır.

Doku lamlarındaki sıradan renkten öteye bakmak

Günlük uygulamada, cerrahi sırasında çıkarılan tiroid dokusu ince dilimler halinde hazırlanır, pembe ve mor tonlarla boyanır ve mikroskopta incelenir. Bu renkler, hücre çekirdeklerini ve çevre dokuyu vurgulayan hematoksilin ve eozin adlı iki boyadan gelir. Geleneksel dijital tarayıcılar bunu telefon kamerasısına benzer şekilde basit bir kırmızı‑yeşil‑mavi (RGB) görüntüye dönüştürür. Bu çalışmanın ekibi, tayfsal görüntüleme adı verilen farklı bir görüntüleme sistemi geliştirdi; bu sistem, her bir küçük noktanın sadece üç renk yerine görünür spektrumda onlarca renkte ışığı nasıl soğurduğunu ölçer. Bu daha zengin “renk parmakizi”, her hücre çekirdeğinde genetik materyalin ne kadar sıkı paketlendiği ve düzenlendiğiyle bağlantılı ince farklılıkları yakalar; bu özellikler kanserde sıklıkla değişir.

Tek hücre tayflarını kullanılabilir bilgiye dönüştürmek

Bu ayrıntılı ölçümleri kullanabilmek için araştırmacılar önce uzman patologlara her lam üzerinde açıkça normal ve açıkça tümöröz bölgeleri işaretlettirdiler. Tayfsal mikroskopu sonra örnek başına yaklaşık 5–10 dakika içinde hem normal hem de tümör alanlarını tarayarak her piksel için yaklaşık 40 ışık‑şiddeti değeri topladı. Tıpta yaygın olarak kullanılan bir tasarıma dayanan özel bir sinir ağı, bireysel hücre çekirdeklerini otomatik olarak bulup sınırladı. Her çekirdek için sistem ortalama tayfını ile boyut ve şekil bilgilerini ve tayfın tipik normal ve tipik kanser çekirdeklerinden ne ölçüde farklılaştığını hesapladı. Böylece bir patologun niteliksel olarak “daha koyu” veya “daha sıkışık” gördüğü çekirdekler, bilgisayarın analiz edebileceği sayısal özelliklere dönüştürüldü.

Normal ve kanser hücrelerini ayırmanın iki yolu

Çalışma, hücreleri sınıflandırmak için birbirini tamamlayan iki yöntemi test etti. Yarı otomatik yaklaşılda, bir patolog hâlâ bir bölgeyi normal, diğerini ise tümör olarak işaretliyor. Sistem daha sonra her çekirdeğin tayfını bu iki alandan alınan referans tayflarıyla karşılaştırıyor ve olası normal ile olası kanser hücrelerini ayırmak için basit bir kümelenme yöntemi kullanıyor. Bu yöntem, ana tiroid kanseri alt tipleri için duyarlılık ile doğruluğun dengesi olan F1 skorlarında yaklaşık 0,8 veya daha yüksek sonuçlar verdi; karışık özelliklere sahip sınırdaki çekirdekler bir kenara alındığında performans daha da iyi oldu. Tam otomatik yaklaşımdaysa, random forest adlı bir makine öğrenmesi modeli, kanserle ilişkili çekirdek boyutu, şekli ve tayfsal davranıştaki desenleri tanımayı öğrenmek için 150.000’in üzerinde etiketli çekirdekten yararlandı. Ayrı hasta vakalarında test edildiğinde, elle bölge etiketlemesi gerektirmeden yine 0,82’nin üzerinde F1 skorlarına ulaştı.

Bireysel hücrelerden tüm doku kararlarına

Hekimler tedaviyi tek bir hücrenin kaderine göre değil, daha geniş doku bölgelerinin kanserli olup olmadığına ve hastalığın ne kadar yayıldığına göre belirler. Bu nedenle araştırmacılar, sistemlerinin hücreleri küçük alt bölgeler halinde gruplayıp, bir bölgedeki çekirdeklerin çoğu kanserli görünüyorsa o bölgeyi tümör, değilse normal olarak etiketlediğinde nasıl performans gösterdiğini değerlendirdiler. Bu bölge tabanlı bakış, özellikle normal dokudaki yanlış alarm sayısını azaltarak doğruluğu daha da yükseltti. Önemli olarak, yaklaşım şeffaf kalmayı sürdürdü: her karar görünür hücresel özelliklere ve tayflara dayandırılabiliyor, bu da bazı derin öğrenme araçlarının klinikte güvenilirliğini azaltan “kara kutu” davranışından kaçınıyor.

Bu hastalar ve hekimler için ne anlama gelebilir

Çalışma, rutin tiroid lamlarına ayrıntılı tayfsal ölçümler ve dikkatle tasarlanmış yapay zeka eklemenin, uzmanları sıklıkla yanıltan zor alt tiplerde bile kanserin bulunduğu yerleri güvenilir şekilde vurgulayabileceğini gösteriyor. Yöntem dünya çapında zaten kullanılan aynı standart boyalarla çalıştığı için, doku hazırlanışını değiştirmeye gerek kalmadan dijital patoloji iş akışlarına entegre edilebilir. Patologları yerinden etmek yerine, sistem lam üzerinde olası normal ve kanserli çekirdeklerin bir haritasını sunar; bu, zor tanıları doğrulamaya yardımcı olur, incelemeleri hızlandırır ve hem atlanan kanser riskini hem de gereksiz agresif tedavileri azaltma potansiyelini taşıyabilir.

Atıf: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Anahtar kelimeler: tiroid kanseri, dijital patoloji, tayfsal görüntüleme, yapay zeka, kanser teşhisi