Nicelendirici patoloji kullanılarak diş kaynaklı miksom spektrum lezyonlarının çok merkezli klinikopatolojik çalışması

Hastalar ve diş hekimleri için bunun önemi

Çene kemiğinin derinliklerinde, nadir tümörler aylarca veya yıllarca sessizce büyüyebilir ve ancak keşfedildiklerinde ortaya çıkarlar. Bu oluşumlar, odontojenik miksomlar ve miksofibromalar adıyla anılır; kanser değiller ama büyüyüp kemiği zayıflatabilir ve ameliyatı karmaşıklaştırabilirler. On yıllardır patologlar bunları büyük ölçüde göze dayanarak değerlendirdiler; bu da aynı tür lezyonu hastanelerin farklı biçimlerde tanımlamasına ve sınıflandırmasına yol açtı. Bu çalışma, mikroskop lamlarına güçlü görüntü analiz araçlarını getirerek yapay zekânın (YZ) doktorların bu tümörleri daha net ve tutarlı görmesine nasıl yardımcı olabileceğini gösteriyor.

Göz yanıltıcı şekilde benzer görünen nadir çene tümörleri

Odontojenik miksom ve odontojenik miksofibroma diş oluşumunda rol oynayan dokulardan kaynaklanır. Her ikisi de çene kemiği içinde yer alan yumuşak, jelimsi tümörlerdir. Mikroskop altında gevşek, miksödem benzeri alanlar ile daha yoğun lifli bantların karışımını içerirler. Geleneksel olarak patologlar, tümörde ne kadar fibröz (lifli) doku olduğu ile miksödemik alan arasındaki oranı tahmin ederek birbirlerinden ayırmaya çalıştı. Ancak bu tümörler nadir olduğundan ve hangi oranın bir tanıyı diğerine çevirecek biçimde yeterli olduğuna dair evrensel bir kural olmadığından, farklı hastaneler benzer lezyonlara farklı adlar verebiliyor; hastaların semptomları ve görüntüleri benzer olsa bile.

Mikroskop lamlarını sayılara dönüştürmek

Araştırma ekibi, yirmi yıl boyunca 34 hastanede tedavi edilmiş 143 doku örneği topladı ve en sıkı kalite kriterlerini karşılayan 100 vakaya odaklandı. Tüm örnekler, fibröz dokuyu çevreleyen tümörden farklı renklendiren özel bir boya (Masson trichrome) ile boyandı. İki uzman ağız patoloğu her vakayı dikkatle gözden geçirip fibröz doku yüzdesini %10’luk adımlarla tahmin etti. Bu uzman tahminleri, aynı görevi otomatik ve tamamen nicel bir biçimde yerine getirmesi için bir YZ sistemini eğitmek üzere referans olarak kullanıldı.

YZ bir tümör lamını nasıl "okuyor"

Ekip, tüm lam görüntülerini analiz etmek için adım adım bir dijital boru hattı oluşturdu. Önce yazılım lam üzerindeki gerçek doku ile boş arka planı ayırdı. Sonra tümörü kemik ve diş gibi yakın yapılardan izole etti. Son olarak, tümörün içinde hücre çekirdeklerini çıkardı ve kalan materyale odaklanarak fibröz boyayı tutan bölgeleri tanımladı. Buradan YZ, fibröz doku oranını hesapladı: fibröz doku alanının toplam tümör alanına bölünmesiyle elde edilen değer. Araştırmacılar YZ tarafından üretilen değerleri kendi uzman derecelendirmeleriyle karşılaştırdıklarında, çoğu bireysel vakada yaklaşık 10 yüzdelik puanlık bir sapma ile güçlü bir uyum bulundu. Bu, YZ’nin kaba izlenimler yerine kesin ölçümler halinde uzman yargısını güvenilir biçimde yansıtabileceğini düşündürdü.

Fibröz bileşimin tümör görünümüne ne söylediği

Bu ölçümlerle donanmış olarak araştırmacılar fibröz içeriğin klinik ve radyolojik özelliklerle nasıl ilişkili olduğunu incelediler. Fibröz doku miktarının kurumlar arasında geniş ölçüde değiştiğini ve bunun patologların tümörleri başlangıçta nasıl etiketlediklerine dair farklılıkları yansıttığını buldular. Görüntüleme özelliklerine bakıldığında tek bir desen öne çıktı: görüntülerde tek bir boşluk şeklinde görünen tümörler (uniloküler lezyonlar), birden çok küçük bölmeye sahip olanlara (multiloküler lezyonlar) göre genellikle daha yüksek fibröz doku oranına sahipti. Bu, daha lifli ve yoğun dokunun daha tek parçalı, tek odacıklı bir kitle oluşturabileceği; gevşek, sıvı yönü daha güçlü dokunun ise birden fazla bölmeye ayrılma eğiliminde olabileceği fikriyle uyumludur.

Gelecekte tanı ve bakım için bunun anlamı

Çalışma hastalıkları yeniden adlandırmayı veya patologların yerini makinaların almasını amaçlamıyor. Bunun yerine, YZ tabanlı nicel patolojinin nadir çene tümörleri için birçok hastanede ortak bir ölçü çubuğu sağlayabileceğini gösteriyor. Tümör dokusunun ince dokularını tekrarlanabilir sayılara dönüştürerek günlük tanıların ne ölçüde öznel yargılara bağlı olduğunu ortaya koyuyor ve bu değişkenliği azaltmanın bir yolunu sunuyor. Hastalar için, bu lezyonların daha tutarlı yorumlanması daha net tedavi kararlarını destekleyebilir ve merkezler arası sonuç karşılaştırmalarını iyileştirebilir. Benzer yöntemler diğer nadir tümörlere genişletildikçe, YZ destekli mikroskopi patologların hastalığı görme biçimini sessizce yeniden şekillendirebilir—değerlendirmelerini daha karşılaştırılabilir ve nihayetinde hastanın tedavi gördüğü yerde daha kullanılabilir hale getirerek.

Atıf: Harazono, Y., Fukawa, Y., Iwasaki, T. et al. Multicenter clinicopathological study of odontogenic myxoma spectrum lesions using quantitative pathology. Sci Rep 16, 11221 (2026). https://doi.org/10.1038/s41598-026-42019-8

Anahtar kelimeler: diş kökenli miksom, çene tümörleri, dijital patoloji, yapay zeka, lifli doku oranı