Katı tümörlerin insidans oranı tahmini ve radyasyon risk değerlendirmesi için derin öğrenme

Günlük yaşam için neden önemli

Tıbbi görüntülemeler, uçak yolculukları ve çevre gibi kaynaklardan düşük düzeyde radyasyona maruz kalıyoruz. Düzenleyici kurumlar, bu radyasyonun kanser geliştirme olasılığımızı ne kadar artırabileceğini tahmin etmek için modeller kullanır. Bu çalışma, modern yapay zekânın —özellikle derin öğrenmenin— on yıllardır güvenlik kurallarını yönlendiren geleneksel formüllerle karşılaştırıldığında bu tahminleri iyileştirip iyileştiremeyeceğini sorguluyor.

Eşsiz bir uzun dönem insan veri seti

Araştırma, Hiroşima ve Nagazaki’ye atılan atom bombalarının üzerinden sağ kalan 100.000’den fazla kişi üzerinde yürütülen uzun soluklu Life Span Study (Yaşam Süresi Çalışması) üzerine odaklanıyor. Her alt grup için bilim insanları, ne kadar radyasyona maruz kaldıklarını, ne kadar süre izlendiğini ve kaç katı tümör görüldüğünü biliyor. Yazarlar, yaş, maruz kalma yaşı, cinsiyet, şehir ve doz kombinasyonları boyunca kanser vakalarını ve risk altındaki zamanı özetleyen bir kişi-yıl tablosu kullanıyor. Bu zengin veri seti, dünya çapında radyasyon koruma yönergelerinin belkemiğini oluşturdu ve yeni modelleme yaklaşımlarının test edilmesi için ideal bir zemin sunuyor.

Eski kurallar ve yeni öğrenme makineleri

Geleneksel olarak, bu kohorttaki radyasyon riski sözde parametrik modellerle tahmin edildi. Bunlar, riskin doz, yaş ve diğer faktörlerle nasıl değişeceğini tanımlayan önceden seçilmiş matematiksel formüllere dayanır. Şeffaf ve göreli olarak yorumlanması kolaydır, ancak seçilen formüller veri içindeki gerçek desenlerle uyuşmazsa yanlış olabilir. Buna karşılık, derin sinir ağları, doz–yanıt eğrisinin belirli bir matematiksel şekline varsayım koymadan, birden çok bağlı “birim” katmanı aracılığıyla ilişkileri doğrudan veriden öğrenir. Yazarlar, iki yaş ölçüsü, cinsiyet, şehir, bombalama anındaki konum ve dozu olmak üzere altı girdi alan ve kişi-yıl tablosundaki her hücre için tümör insidans oranlarını tahmin eden bir sinir ağı kurdu.

Derin öğrenme kanser oranlarını ne kadar iyi tahmin ediyor?

Araştırma ekibi dört modeli karşılaştırdı: basit ortalama tabanlı bir “null” model, standart bir lineer model, geleneksel parametrik bir radyasyon risk modeli ve derin sinir ağı. Tekrarlı çapraz doğrulama kullanarak performansı birkaç standart hata ölçüsüyle değerlendirdiler. Sinir ağı tüm metrikler boyunca en düşük hatayı verdi, ancak yalnızca gelişmiş parametrik modelden biraz daha iyiydi. Her iki gelişmiş model de yaş grupları ve çoğu doz kategorisi boyunca gözlemlenen tümör oranlarıyla yakından uyuştu; bununla birlikte her iki model de en yüksek dozlarda ve en ileri yaşlarda daha büyük uyumsuzluklar gösterdi. Başka bir deyişle, derin öğrenme, kaç tümör meydana geldiğini tahmin etme açısından en iyi geleneksel modeli dramatik şekilde geride bırakmadı; ancak en az onun kadar iyi ve çoğu zaman biraz daha iyiydi, bunun karşılığında çok daha fazla hesaplama süresi ve karmaşıklık gerektirdi.

Radyasyon riskinin nasıl kurulduğuna dair farklı görünümler

Yazarlar aşırı göreli risk (ERR) incelendiğinde daha çarpıcı bir fark buldu; ERR, radyasyonun bir kişinin temel kanser riskini ne kadar çarptığını ifade etmenin yaygın bir yolu. Sinir ağını kullanarak, diğer faktörleri sabit tutarak radyasyon dozu ile ve dozsuz halde tahmin edilen tümör oranlarını karşılaştırarak her hücre için ERR tahmin ettiler. Sinir ağı ve parametrik model benzer tümör sayıları tahmin etmiş olsa da, ortaya çıkan ERR değerleri doz aralığı boyunca belirgin şekilde farklılık gösterdi: parametrik model genellikle daha yüksek ve daha geniş yayılımlı ERR tahminleri verme eğilimindeydi. Nedenini araştırmak için araştırmacılar, her bir girdi değişkenine modelin tahminlerine yaptığı katkıyı atayan oyun teorisine dayalı bir yöntem olan SHAP değerlerini uyguladı. Genel tümör oranları için her iki model de erişilen yaş, maruz kalma yaşı, doz ve cinsiyetin en önemli etkiler olduğunu kabul etti. Ancak ERR söz konusu olduğunda, sinir ağı radyasyon dozuunu baskın faktör olarak öne çıkarırken, yaşın daha küçük bir destekleyici rol oynadığını vurguladı; parametrik model ise formülünün önceden belirlenmiş yapısı nedeniyle maruz kalma yaşı ve erişilen yaşa çok daha güçlü bir rol atfetti.

Sınırlar, zorluklar ve gelecekteki kullanımlar

Çalışma, esnek olmasına rağmen derin öğrenmenin birçok kullanıcı için hâlâ bir “karanlık kutu” olduğunu vurguluyor. Düzenleyicilerin alışık olduğu “birim doz başına risk artışı” gibi basit özet sayıları doğal olarak sağlamıyor ve öngörülerinin belirsizlik bantlerini tahmin etmek teknik olarak zorlu, özellikle özetlenmiş kişi-yıl verisi kullanıldığında. Modeller dikkatle kontrol edilmezse verideki ince tuhaflıklara aşırı uyum sağlayabilir ve geleneksel yaklaşımlardan çok daha fazla hesaplama gücü gerektirir. Yazarlar, derin öğrenmenin iyi tasarlanmış parametrik modellerin yerini almaması gerektiğini, ancak güçlü bir yardımcı olarak hizmet edebileceğini savunuyor: gizli doğrusal olmayan desenleri veya etkileşimleri ortaya çıkarabilir ve hâlâ açıklanması ve düzenlenmesi daha kolay olan daha basit modeller için daha iyi fonksiyonel formlar önerebilir.

Radyasyon güvenliği için bunun anlamı

Bir okur için çıkarılacak sonuç, modern yapay zekâ araçlarının, ana insan veri setinde radyasyonla ilişkili kanser oranlarını tahmin ederken geleneksel yöntemlerle eşleşebildiği veya onları biraz geliştirebildiğidir. Ancak hangi faktörlerin en önemli olduğunu —özellikle yaşın radyasyon riskini ne kadar şekillendirdiğini— farklı bir şekilde gösterebilirler. Mevcut bilgiyi çürütmek yerine bu çalışma, model seçimlerinin doz ile yaşın görünür önemini nasıl kaydırabileceğini vurguluyor ve derin öğrenmeyi uzman yönlendirmeli, şeffaf modellerle birleştirmeyi çağırıyor. Uzun vadede, bu tür hibrit bir yaklaşım tıbbi bakım, işyerleri ve çevre için daha nüanslı ve güvenilir radyasyon koruma yönergelerini destekleyebilir.

Atıf: Liu, Z., Nakamizo, T., Misumi, M. et al. Deep learning for incidence rate prediction and radiation risk assessment of solid tumors. Sci Rep 16, 10577 (2026). https://doi.org/10.1038/s41598-026-46756-8

Anahtar kelimeler: radyasyon riski, derin öğrenme, kanser insidansı, atom bombası hayatta kalanları, risk modelleme