Glottik larinks skuamöz hücreli karsinomunun tanı ve prognozu için periferik kan biyobelirteçleri kullanan yorumlanabilir makine öğrenimi modelleri

Neden basit bir kan testi sesinizi korumaya yardım edebilir

Glottik larinks kanseri ses tellerini etkiler ve hem konuşmayı hem de yaşamı tehdit edebilir; yine de ameliyat öncesinde zararsız ses sorunlarından ayırt etmek genellikle zordur. Bu çalışma, birçok kişinin operasyon veya kontrol öncesi rutin olarak yaptırdığı kan testlerinin modern bilgisayar algoritmalarıyla birleştirilip tehlikeli tümörleri daha erken saptayıp tedavi sonrası hastanın nasıl bir seyir izleyeceğini—ek görüntüleme veya invaziv işlem gerektirmeden—tahmin edip edemeyeceğini araştırıyor.

Günlük kan testlerinde kanser izleri aramak

Araştırmacılar, ses tellerinde sorun yaşayan erkeklere odaklandı ve üç grubu karşılaştırdı: ses teli kanseri olan 124 hasta, iyi huylu ses teli lezyonları olan 124 hasta ve 124 sağlıklı gönüllü. Herkes için enflamasyonu yansıtan (örneğin beyaz kan hücresi sayıları), pıhtılaşma eğilimini gösteren (örneğin fibrinojen ve pıhtılaşma süreleri) ve beslenme durumunu gösteren (örneğin albumin gibi başlıca kan proteinleri) rutin ameliyat öncesi kan ölçümleri toplandı. Bu testler zaten rutin hastane bakımının parçası olduğundan, elde edilecek bulguların yaygın ve düşük maliyetli olarak uygulanması kolay olurdu.

Zararlıyı zararsızdan ayırmayı makinelere öğretmek

Bu sayı denizini pratik rehberliğe dönüştürmek için ekip, Random Forest ve XGBoost olarak bilinen iki popüler makine öğrenimi yöntemini kullandı. Bu programlar, bir spam filtresi gereksiz postayı gerçek mesajlardan ayırmayı öğrendiği gibi verilerden desenler öğrenir. Buradaki amaç yalnızca kan test sonuçlarını kullanarak kanseri iyi huylu ses problemlerinden ayırt etmekti. Hastaların çoğu üzerinde eğitme ve çapraz doğrulama yapıldıktan sonra modeller ayrı bir grup üzerinde test edildi. Özellikle XGBoost modeli çok iyi performans gösterdi; rutin laboratuvar sonuçlarına dayanan invaziv olmayan bir test için yüksek sayılabilecek 0,93 AUC ile kanseri çoğu durumda doğru ayırt etti.

Siyah kutuyu doktorların anlayacağı hale getirmek

Bilgisayar modelleri sıklıkla siyah kutu olmakla eleştirilir, fakat bu çalışmada hangi kan belirteçlerinin tahminleri yönlendirdiğini göstermek için SHAP adlı bir yöntem kullanıldı. En önemli sinyaller pıhtılaşma ve bağışıklık aktivitesiyle ilişkili ölçümlerdendi: uluslararası normalize oran (INR), fibrinojen, trombin zamanı ve farklı beyaz kan hücresi türlerini karşılaştıran oranlar (nötrofil-monosit ve lenfosit-monosit oranları). Genel olarak, kanserli hastalar daha fazla enflamasyon belirtileri, pıhtı oluşumuna eğilim ve bağışıklık hücresi dengelerinde kaymalar sergiyordu. Araştırmacılar ayrıca klinisyenlerin yatak başında bireysel bir hastanın kanser riskini tahmin edebilmesi için en önemli belirteçlere dayalı basit bir görsel skor aracı da geliştirdiler.

Kansere ne kadar agresif olduğuna işaret eden kan sinyalleri

Tanının ötesinde çalışma, kan belirteçlerinin bir tümörün ne kadar tehlikeli olduğunu yansıtıp yansıtmadığını sordu. Kan sonuçlarını cerrahi patoloji raporlarındaki ayrıntılarla ilişkilendirerek ekip, özellikle sistemik immün-enflamasyon indeksi (SII) ve birkaç hücre sayısı oranı gibi birleşik indekslerin daha büyük tümörler, lenf nodu yayılımı ve daha yüksek evre ile birlikte arttığını buldu. Nötrofil-trombosit oranı adlı bir belirteç, nöral invazyonla—tekrarlama riskiyle ilişkili endişe verici bir özellik—güçlü şekilde ilişkiliydi. Yaklaşık dört buçuk yıllık medyan takip süresi boyunca daha yüksek nötrofil sayıları, daha yüksek nötrofil-lenfosit oranı ve daha yüksek SII’ye sahip hastalar daha kötü sonuçlar gösterdi; daha fazla nüks ve ölüm görüldü.

Bu hastalar ve klinisyenler için ne anlama gelebilir

Basitçe söylemek gerekirse, bu araştırma dikkatle analiz edilmiş bir hastanın kanına ait “anı görüntüsünün” rutin laboratuvar raporlarının ötesinde çok şey açığa çıkarabileceğini gösteriyor. Tanımlı testlerin yorumlanabilir makine öğrenimi araçlarıyla birleştirilmesi sayesinde doktorlar yakında hangi kısıklık şikayeti olan hastaların acil biyopsiye ihtiyaç duyduğunu, hangi kanserlerin agresif davranma olasılığının yüksek olduğunu ve kimlerin daha yakın izlemeden veya ek tedaviden fayda görebileceğini daha iyi karar verebilirler. Çalışma retrospektif ve tek bir bölgeden erkeklerle sınırlı olduğundan—genellenebilirliği doğrulamak için daha geniş gruplarda onay gerektirir—ancak şüpheli veya doğrulanmış ses teli kanseri olan kişiler için daha kişiselleştirilmiş, veri destekli ve düşük maliyetli bir yol haritası sunar.

Atıf: Zhang, Y., Yan, X., Li, X. et al. Interpretable machine learning models using peripheral blood biomarkers for diagnosis and prognosis of glottic laryngeal squamous cell carcinoma. Sci Rep 16, 10451 (2026). https://doi.org/10.1038/s41598-026-40074-9

Anahtar kelimeler: larenks kanseri, kan biyobelirteçleri, makine öğrenimi, kanser prognozu, immün inflamasyon