Preklinik hayvan modelleri kullanılarak serebral anevrizmalarda doku doluşunu araştırmak için bir makine öğrenmesi hattı

Beyin atardamarlarındaki küçük çıkıntılar neden önemli

Serebral anevrizmalar, beyin atardamarlarında aniden yırtılma riski taşıyan küçük, balon benzeri çıkıntılardır; yırtılmaları felç veya ölüme yol açabilir. Daha az invaziv ve yaygın bir tedavi, çıkıntının içine yumuşak metal koiller yerleştirerek kanın pıhtılaşmasını ve yeni dokunun zamanla zayıf bölgeyi içeriden kapatmasını sağlamaktır. Ancak hekimler ve araştırmacılar, bu iyileşme dokusunun anevrizmayı ne derece doldurduğunu ölçmekte hâlâ zorlanıyor. Bu özetin temelini oluşturan makalede, yapay zeka (YZ) yüksek büyütmeli mikroskop görüntülerini o gizli iyileşme sürecinin kesin ve tekrarlanabilir ölçümlerine dönüştürmek için kullanılıyor; uzun vadeli amaç, hastalar için daha güvenli ve daha dayanıklı tedavilerin kişiselleştirilmesine yardımcı olmak.

Hassas beyin damarlarından laboratuvar modellerine

Klinikte anevrizmalar ya çıkıntının boynuna yerleştirilen bir metal klips ile açık cerrahi yoluyla ya da damar içinden küçük koillerin geçirilip anevrizma içine konuşlandırıldığı endovasküler koilleme ile tedavi edilir. Koilleme daha az travmatiktir ve yeni dokunun büyümesi için iskele görevi görebilir, ancak koillenen anevrizmaların dörtte birine kadarında zamanla nüks görülebilir ve ek işlem gerekebilir. Hayvan modelleri, bazı anevrizmaların neden diğerlerinden daha iyi iyileştiğini incelemenin bir yolunu sunar. Bu çalışmada araştırmacılar, karotis arterine anevrizma oluşturulan farelerde platin koillerle tedavi uyguladılar; bazı koiller doku onarımını teşvik edecek moleküllerle kaplanmıştı. Anevrizma bölgesinden alınan ince, boyanmış dilimler mikroskop altında görüntülendi; bu görüntüler pıhtılar, bağ dokusu ve kesenin içindeki yeniden yapılanma hakkında ayrıntılı bilgi sağladı.

Mikroskop resimlerini kullanılabilir sayılara dönüştürmek

Geleneksel olarak uzmanlar bu doku lamlarını gözle inceler ve anevrizma boşluğunu ne kadar yeni dokunun doldurduğuna dair tahminde bulunur. Bu yöntem yavaştır, özneldir ve laboratuvarlar arasında standartlaştırması zordur. Yazarlar, iki temel görevi otomatikleştirmek için bir makine öğrenmesi hattı tasarladı: anevrizma kesesinin sınırlarını çizmek ve yeni doku büyümesinin olduğu alanları belirlemek. Yüksek çözünürlüklü histoloji görüntüleri üzerinde çalışacak şekilde uyarladıkları Unet++ adlı modern bir görüntü analizi ağını kullandılar. Eğitmeden önce görüntüler yeniden boyutlandırıldı, normalize edildi ve modele doğal varyasyonla başa çıkmasında yardımcı olmak için döndürmeler, çeviriler ve ölçek değişiklikleri ile çoğaltıldı. Ağ basit bir siyah‑beyaz maske vermek yerine, her pikselin kese parçasına ait olma olasılığını gösteren pürüzsüz gri tonlu "ısı haritaları" üretti; bunlar daha sonra görüntü işleme alanında kullanılan eşikleme yöntemleriyle keskinleştirildi.

YZ, uzmanların gördüğünü ne kadar iyi görüyor

Anevrizma sınırları tanımlandıktan sonra sistem, o alanın hangi oranının ingrowth (doku doluşu) ile işgal edildiğini ölçtü. On‑katlı çapraz doğrulama ile değerlendirilen 64 görüntü genelinde, YZ’nin kese konturları ve doku doluşu bölgeleri uzman çizimleriyle son derece iyi örtüştü; örtüşme skorları yüzde doksanların ortasında ve standart sınıflandırma eğrilerinde neredeyse kusursuz performans elde edildi. Araştırmacılar YZ’nin doku doluşu ölçümlerini insan “gerçek değer”leriyle karşılaştırdığında, noktalar ideal doğrultu boyunca yakın şekilde hizalandı; bu da otomatik yöntemin uzman yargısını yakından izlediğini gösterdi. YZ’nin, eğitimli insan yardımcılar kadar tutarlı olup olmadığını test etmek için dört kör değerlendirici ve model ayrı bir görüntü setini puanladı. Uzman beyin cerrahı ile uyum en yüksek olan YZ idi; bu, algoritmanın yorgunluk veya kişisel önyargıdan bağımsız olarak uzman düzeyinde tutarlılık sağladığını düşündürüyor.

Uzman olmayanların da kullanması için yapılmış bir araç

Sadece sofistike kodun uygulamayı dönüştürmeyeceğini kabul eden ekip, hattı bir web tarayıcısında çalışan bulut tabanlı grafiksel bir arayüz içine yerleştirdi. Kullanıcılar yeni anevrizma lamlarını yükleyebilir, önceden eğitilmiş modeli çalıştırabilir ve orijinal görüntü üzerine kese ve doku doluşunun renkli bindirmelerini anında görebilir. Arayüz ayrıca toplam kese alanı ve doluş yüzdesi gibi basit geometrik ölçümleri rapor eder ve gerekirse sınırların kullanıcı tarafından düzeltilmesine izin verir. Platform açık kaynaklı bir dijital lam sistemi üzerine kurulduğu için diğer araştırmacılar aracı kendi iş akışlarına entegre edebilir; bu, preklinik çalışmalarda anevrizma iyileşmesinin standartlaştırılmış, paylaşılabilir ölçülerinin geliştirilmesini teşvik eder.

Bu, gelecekteki anevrizma bakımı için ne anlama geliyor

Halk için temel mesaj, bu araştırmanın bilgisayarlara tedavi edilmiş bir beyin anevrizmasının içindeki "yaranın" uzman bir uzmanın güvenilirliğinde ölçülmesini öğretmesi. Kabaca yapılan görsel tahminleri nesnel sayılarla değiştiren bu yaklaşım sayesinde, bilim insanları koiller, ilaç kaplamaları ve diğer iyileştirici stratejileri hayvan modellerinde hastalara ulaşmadan önce daha doğru karşılaştırabilir. Mevcut çalışma fare arterleri ve tek bir boyama türü ile sınırlı olsa da, YZ’nin karmaşık mikroskop görüntülerini biyolojik stabilitenin standartlaştırılmış puanlarına dönüştürmesi için bir plan sunuyor. Uzun vadede, bu tür araçlar anevrizma onarımını daha eksiksiz ve dayanıklı hale getirecek tedavilerin tasarlanmasına yardımcı olabilir ve beyin atardamarındaki tehlikeli bir çıkıntının yeniden ortaya çıkma ihtimalini azaltabilir.

Atıf: Afsari, F., Ansari, I., Martinez, M.E. et al. A Machine learning pipeline to investigate tissue ingrowth in cerebral aneurysms using preclinical animal models. Sci Rep 16, 13352 (2026). https://doi.org/10.1038/s41598-026-43798-w

Anahtar kelimeler: serebral anevrizma, endovasküler koil yerleştirme, doku doluşu, histoloji yapay zekası, görüntü segmentasyonu