Hepatoselüler karsinomda erken nüks tahmini için rutin klinik verileri kullanan yorumlanabilir bir makine öğrenmesi modeli

Hastalar ve aileleri için neden önemli

Karaciğerdeki kanseri çıkarmak için ameliyat olan kişilerin en acil sorularından biri, “Kanser yakında geri gelecek mi?” oluyor. Bugün doktorlar genellikle birçok farklı hastayı aynıymış gibi ele alan geniş evreleme sistemlerine dayanarak yalnızca kabaca tahminler sunabiliyor. Bu çalışma, hastanelerin zaten topladığı rutin kan testleri ve görüntüleme sonuçları gibi bilgileri yorumlanabilir yapay zekâ ile birleştirerek, her hastaya kanserin kısa vadede geri gelme riskine dair daha net, daha kişiselleştirilmiş bir tablo sunmanın yeni bir yolunu gösteriyor.

Yaygın bir kanser, inatçı bir nüks oranı

Hepatoselüler karsinom, birincil karaciğer kanserlerinin en yaygın tipi ve dünya çapında önemli bir kanser ölüm nedeni. Cerrahlar görünür tümörleri tamamen çıkarabilse bile, hastaların %70’inden fazlasında beş yıl içinde hastalık geri geliyor. Erken nüks—ameliyattan sonraki yaklaşık iki yıl içinde görülen—özellikle endişe verici, çünkü genellikle karaciğer içinde zaten yayılmış agresif kanser hücrelerini yansıtır ve sağkalımı keskin şekilde kötüleştirir. TNM veya Barcelona Clinic Liver Cancer (BCLC) gibi mevcut klinik evreleme sistemleri hastaları geniş kategorilere ayırabiliyor ama genellikle kimin gerçekten erken nüks açısından yüksek riskte olduğunu belirleyemiyor.

Günlük test sonuçlarını bir risk skoruna dönüştürmek

Araştırmacılar, 2014 ile 2024 arasında Çin’deki iki büyük hastanede küratif olarak görünen karaciğer ameliyatı geçiren 1.120 hastanın kayıtlarından yararlandı. Yalnızca ameliyat öncesinde elde edilen bilgilere odaklandılar: yaş ve cinsiyet, en büyük tümörün boyutu ve birden fazla tümör olup olmadığı gibi görüntüleme özellikleri ve ameliyattan önceki günlerde yapılan geniş bir standart laboratuvar testi paneli. Bunlardan nüks şansıyla ilişkili dokuz ana belirteci taradılar. Tek bir matematiksel forma dayanmak yerine, üç farklı makine öğrenmesi yaklaşımını birleştirip çıktılarının ortalamasını 0 ile 1 arasında bir risk skoruna dönüştürdüler. Hastalar bu skora göre düşük, orta ve yüksek risk kategorilerine ayrıldı.

Standart evreleme sistemlerini geride bırakmak

Modelin ne kadar iyi çalıştığını sınamak için ekip önce modeli orijinal hastanedeki bir “ayrık” hasta grubunda, ardından ikinci hastanedeki bağımsız bir grupta değerlendirdi. Her iki ortamda da yeni model, kimlerin 24 ay içinde nüks yaşamayacağını ve kimlerin nükse gideceğini ayırt etmede geleneksel evreleme sistemlerinden açık şekilde daha iyiydi. Dahili test grubunda modelin zaman içindeki doğruluğu, eğri altındaki alan (AUC) gibi standart bir istatistikle ölçüldüğünde yaklaşık 0,76 idi; yaygın evreleme yöntemleri içinse bu değer yaklaşık 0,55 ila 0,64 arasındaydı. Yüksek risk grubundakiler en kötü nükssüz sağkalımı gösterirken, orta risk grubundakilerin nüks riski yaklaşık %60 azaldı ve düşük risk grubundakilerin yüksek risk grubuna göre yaklaşık %90 daha düşük tehlike oranı vardı. Bu belirgin farklılıklar dış hastanede de korundu ve genç ve yaşlı hastalar, erkek ve kadınlar ile büyük veya küçük tümöre sahip olanlar gibi çoğu alt grupta tutarlı kaldı.

Yapay zekânın kara kutusunu açmak

Makine öğrenmesinin tıpta sıkça yapılan eleştirilerinden biri, kara kutu gibi davranmasıdır: iyi tahmin edebilir, ama uzmanlar bile nedenini göremez. Bunu ele almak için yazarlar, her tahmini her bir girdi faktörünün katkılarına ayıran SHapley Additive exPlanations (SHAP) adlı bir yöntemi uyguladılar. Analiz, tüm üç algoritma genelinde daha yüksek riskin tek en güçlü sürücüsünün tümör boyutu olduğunu, bunu takip eden özelliklerin ise tümör sayısı ile karaciğer fonksiyonu ve inflamasyon göstergeleri gibi kan bazlı belirteçler olduğunu gösterdi. İlginç şekilde, kan klorür düzeyi bu veri setinde riski ters yönde itme eğilimindeydi ve koruyucu bir faktör gibi davranıyordu. Bireysel hastalar için model, örneğin büyük tümör çapı ve olumsuz kan belirteçlerinin risk skorunu nasıl yükselttiğini, daha iyi karaciğer fonksiyonunun ise nasıl aşağı çektiğini gösteren basit çubuk tarzı grafikler üretebiliyor.

Kliniğe olası yansımaları

Model, hastanelerin zaten topladığı verilerle çalıştığı ve özel görüntülemeler veya pahalı genetik testler gerektirmediği için sınırlı kaynakları olanlar da dahil olmak üzere birçok farklı bakım ortamında uygulanabilir. Ameliyat öncesinde doktorlar, daha yoğun izleme programlarına ihtiyaç duyan veya ameliyattan sonra ek tedavilerden fayda görebilecek kişileri belirlemek için modeli kullanabilir; aynı zamanda gerçekten düşük riskli hastaları gereksiz testlerden ve anksiyeteden koruyabilirler. Yazarlar çalışmalarının geriye dönük olduğunu ve belirli bir hasta popülasyonundan alındığını not ediyor; bu yüzden daha çeşitli ortamlarda prospektif denemeler hâlâ gerekli. Yine de bu çalışma, şeffaf ve açıklanabilir yapay zekânın tanıdık laboratuvar sayıları ve görüntüleme bulgularını, hastalar ile bakım ekipleri arasında ortak karar almayı destekleyen anlamlı, bireyselleştirilmiş tahminlere dönüştürebileceğini gösteriyor.

Atıf: Guo, DF., Wen, Q., Zhang, X. et al. An interpretable machine learning model using routine clinical data for early recurrence prediction in hepatocellular carcinoma. Sci Rep 16, 7520 (2026). https://doi.org/10.1038/s41598-026-38484-w

Anahtar kelimeler: karaciğer kanseri nüksü, makine öğrenmesi modeli, klinik risk tahmini, yorumlanabilir yapay zeka, hepatoselüler karsinom