H&E boyalı kesitlerden endometriyal kanser moleküler alt tiplerini tahmin etmek için yorumlanabilir bir derin öğrenme modeli

Kadın sağlığı için neden önemli

Uterusun iç yüzeyinde başlayan endometriyal kanser, kadınlarda en sık görülen kanserlerden biridir ve dünya genelinde ölüm hızı artmaktadır. Klinik olarak bu kanserin aslında cerrahi, radyasyon, kemoterapi ve daha yeni immün tedavilere farklı yanıt veren birkaç moleküler “türü” olduğu anlaşılmıştır. Günümüzde bu moleküler alt tipleri saptamak genellikle birçok hastanenin kolayca sunamadığı maliyetli ve zaman alan gen testleri gerektirir. Bu çalışma, özenle tasarlanmış bir yapay zeka (YZ) sisteminin rutin patoloji kesitlerini—her hasta için zaten alınan pembe ve mor doku görüntülerini—okuyup bu moleküler alt tipleri doğru şekilde çıkarıp çıkaramayacağını araştırıyor; böylece kişiselleştirilmiş bakımın daha geniş erişilebilir hale gelme potansiyelini değerlendiriyor.

Tümör çeşitliliğine daha yakın bakış

Tüm endometriyal kanserler aynı davranmaz. Bazıları yavaş büyür ve rahimle sınırlı kalırken, diğerleri erken yayılır ve tedavisi daha zordur. Modern kılavuzlar bu tümörleri DNA değişiklikleri ve hücrelerin genetik hasarı nasıl onardığına göre dört moleküler alt tipe ayırır. Bu kategoriler, prognozu tahmin etmeye ve cerrahinin ne kadar geniş olması gerektiği veya bir hastanın immünoterapiden yararlanıp yararlanmayacağı gibi kararları yönlendirmeye yardımcı olur. Ancak gerekli genetik testler ve özel boyamalar pahalıdır, uzman yorumu gerektirir ve daha küçük ya da kaynak kısıtlı hastanelerde genellikle bulunmaz. Patologlar uzun süredir bu moleküler farklılıkların hücrelerin ve destek dokunun mikroskop altındaki görünümünde görsel ipuçları bıraktığını şüpheleniyordu—ancak bu ipuçları insan gözü için tutarlı şekilde değerlendirmeyi zorlaştıracak kadar ince ve karmaşık olabilir.

Bilgisayarlara patoloji kesitlerini okutmak

Araştırmacılar Şanghay’daki büyük bir kanser merkezinde tedavi görmüş 324 kadından elde edilen 364 dijital doku kesitini ve iki bağımsız karşılaştırma grubunu topladılar: uluslararası bir açık veri kümesinden 296 slayt ve Suzhou’daki başka bir hastaneden 36 slayt. Her olgu, gelişmiş gen testleri kullanılarak dört moleküler alt tipten birine zaten atanmıştı. Ekip daha sonra her tüm slayt görüntüsünü binlerce küçük karoya böldü ve her karoyu görüntü tanımada kullanılan bir YZ türü olan derin öğrenme modeline öğretip her karonun hangi alt tipe ait olma olasılığını tahmin etmesini sağladı. Karo tahminlerini tüm slayt boyunca ortalayarak sistem her hasta için tek bir alt tip tahmini üretti; bu yaklaşım doktorların tümör hakkında bütüncül düşünme şekline yakınsıyor.

Sistemin performansı nasıldı

Şanghay ana grubunda YZ yüksek doğruluk seviyelerine ulaştı: dört alt tipi ayırt etmedeki genel puanı (tahmin için 0.5 ile mükemmel ayırım için 1.0 arasında değişen standart bir istatistikle ölçülen) yaklaşık 0.87 idi. Farklı hastanelerden ve slayt tarama sistemlerinden alınan iki dış grupta test edildiğinde performans makul düzeyde korunarak yaklaşık 0.84 civarında kaldı; bu da yaklaşımın dayanıklı olduğunu gösteriyor. Daha karmaşık dikkat (attention) veya havuzlama (pooling) şemaları kullanan önde gelen birkaç YZ stratejisiyle karşılaştırıldığında, modern bir görüntü analiz çekirdeği üzerine kurulu bu uçtan uca model genel olarak daha iyi performans gösterdi. Önemli olarak, yazarlar sistemi yorumlanabilir olacak şekilde tasarladı: YZ’nin kararlarında hangi karo bölgelerine güvendiğini vurgulamak için görselleştirme araçları kullandılar.

YZ’nin tümör mikroçevresinde “gördükleri”

Tahminleri hangi özelliklerin yönlendirdiğini anlamak için ekip YZ’nin ısı haritalarını klasik patoloji bulgularına ve bireysel hücre şekil ve düzenlemelerinin ayrıntılı ölçümlerine bağladı. Bir alt tipte destek dokuda yoğun bağışıklık hücresi infiltrasyonu görülürken, başka bir alt tipte sıkı paketlenmiş yapısal hücreler eğilimi vardı. Üçüncü grup daha çok yüksek derecede anormal tümör hücrelerinden oluşan düz yapraklar gösterirken, agresif davranışla ilişkili alt tip papiller, parmak benzeri yapılar ve çok düzensiz çekirdekler sergiledi. Yaklaşık 245 milyon hücreyi segmentleyip analiz ederek araştırmacılar hücre boyutu, varyasyon ve aralık farklılıklarını nicelendirip belirli kombinasyonların hangi alt tiplerle örtüştüğünü gösterdiler. Bu bulgular, moleküler farklılıkların doku mimarisinde makineler tarafından sistematik olarak algılanabilecek tanınabilir bir iz bıraktığı fikrini destekliyor.

Kanıt düzeyinden klinik yardıma doğru

Bu çalışma genetik testlerin yerini almak amacı gütmüyor; bunun yerine her biyopsi için zaten hazırlanan standart boyamayı kullanan bir “öncelikle H&E” üçlüleme aracı öneriyor. Pratikte YZ tarafından üretilen bir alt tip olasılık haritası, patologların hangi doğrulayıcı testleri önce isteyeceklerine karar vermesine, sınırlı doku örneğini en bilgilendirici analizler için önceliklendirmesine ve özellikle tam moleküler profillemenin zor elde edildiği hastanelerde tedavi kararlarını hızlandırmasına yardımcı olabilir. Çalışma ayrıca en nadir alt tip için daha zayıf performans ve sahaya konuşlandırmadan önce daha büyük, daha çeşitli veri setlerine ihtiyaç duyulması gibi mevcut sınırlamalara dikkat çekiyor. Yine de, rutin mikroskop görüntülerinin YZ ile kompleks moleküler etiketleri yaklaşık olarak çıkaracak kadar gizli bilgi taşıyabileceğini gösteren ikna edici bir gösterim sunuyor ve endometriyal kanserli kadınlar için daha eşitlikçi, veri odaklı bir bakım yolunu açıyor.

Atıf: Guo, Q., Cui, H., Zhang, Y. et al. An interpretable deep learning model for predicting endometrial cancer molecular subtypes from H&E-stained slides. npj Precis. Onc. 10, 71 (2026). https://doi.org/10.1038/s41698-026-01280-w

Anahtar kelimeler: endometriyal kanser, dijital patoloji, derin öğrenme, moleküler alt tipler, kesin onkoloji