İşlem sırasında omurga tümörü değerlendirmesi için yapay zekâ destekli etiketsiz Raman spektromi

Omurga ameliyatında daha hızlı yanıtlar

Omurgada bir tümör bulunduğunda, cerrahlar genellikle ne kadar agresif ameliyat yapılacağı ve sonraki tedavinin ne olacağı konusunda dakikalar içinde karar vermek zorunda kalır. Bugün bu seçimler hâlâ en iyi durumda yarım saat, en kötü durumda ise günler alabilen laboratuvar testlerine dayanıyor. Bu çalışma, cerrahların hastanın hâlâ ameliyat masasında olduğu sırada daha net yanıtlar alabilmesi amacıyla lazer tabanlı mikroskopi ile yapay zekânın birleşimini kullanarak omurga tümörlerinin küçük örneklerini neredeyse gerçek zamanlı okumaya olanak veren yeni bir yaklaşım sunuyor.

Neden hızlı tanı koymak bu kadar zor

Omurga tümörleri, beyin ve omurilik zarından kaynaklanan büyümeler (meningiomlar), sinir kılıfı tümörleri (schwannomlar), omurga kanalını döşeyen hücrelerden kaynaklanan tümörler (ependimomlar) ve vücudun başka yerlerinden gelen yayılımlar (metastazlar) gibi birkaç yaygın biçimde görülür. MR gibi görüntülemeler hangi tümör tipinin mevcut olabileceğini gösterse de, görünüm sıklıkla örtüşür ve bazı hastalar güvenle MR çekilemez. Ameliyat sırasında tümörün yüzeyi nadiren tüm hikâyeyi anlatır. Mevcut standart, doku parçasını patoloji laboratuvarına hızla göndermek, dondurup dilimlemek, kimyasal boyalarla boyamak ve bir uzmanın mikroskop altında incelemesidir. Bu dondurulmuş kesit süreci emek yoğun, sadece mesai saatlerinde erişilebilir ve hâlâ dikkat çekici bir oranda omurga tümörlerini yanlış sınıflandırmaktadır.

Yeni bir tür dijital mikroskop

Araştırmacılar, uyarılmış Raman histolojisi adı verilen ortaya çıkan bir görüntüleme yönteminin üzerine inşa ettiler. Boyalar eklemek yerine, bu teknik taze, işlem görmemiş dokuya dikkatle ayarlanmış lazer ışığı tutar ve örnekteki moleküllerin nasıl titreştiğini kaydeder. Bu sinyaller, patologların alışık olduğu pembe-mor slaytlara benzeyen yüksek çözünürlüklü görüntülere dönüştürülür; ancak bunlar dakika içinde elde edilir ve kesme ya da boyama gerektirmez. Aynı tür taşınabilir tarayıcı zaten birkaç hastanede beyin ameliyatları için kullanıldığından, ekip Avrupa ve Amerika Birleşik Devletleri’ndeki birden fazla merkezden omurga tümörü görüntüleri toplayabildi ve yeni analiz sistemini gerçek ameliyathane koşullarına benzer ortamlarda test edebildi.

Bir yapay zekâyı omurga tümörlerini görmeye öğretmek

Bu lazerle üretilen görüntülerin üzerine, yazarlar SpineXtract adını verdikleri bir yapay zekâ platformu geliştirdiler. Basit bir desen eşleştirme programı eğitmek yerine, önce derin bir sinir ağını bu tür dokuya ait genel görsel özellikleri kendi kendine öğrenebilmesi için geniş ve çeşitli bir beyin ve omurga görüntü setine maruz bıraktılar. Ardından, her küçük görüntü parçasının en bilgilendirici bölümlerine odaklanmayı öğrenen bir transformer tabanlı karar modülü eklediler — bu mimari başlangıçta dil işleme için tasarlanmıştı. Tam sistem tüm slaytı tarar, yüzlerce yama halinde böler, her birine dört ana omurga tümörü tipinden birine ait olma olasılığı atar ve bunları cerrahlar ve patologlar için en tanısal bölgeleri vurgulayan renk kodlu bir ısı haritası ile hem genel bir tanıya hem de yeniden birleştirmeye dönüştürür.

Sistemin performansı nasıldı

Takım, SpineXtract’i üç büyük hastanede tedavi gören 44 hastadan alınan 142 slayt görüntüsü üzerinde test etti. Her hasta için yapay zekânın yanıtını geleneksel laboratuvar çalışmasıyla günler sonra konulan nihai tanıyla karşılaştırdılar. Dört tümör tipinin tamamında sistem, hem doğru pozitif hem de doğru negatif oranlarının yüksek olduğu yaklaşık %93 dengelenmiş doğruluk ile onları ayırt etti. Özellikle meningiomlar ve schwannomlar için neredeyse mükemmele yaklaşan bir güvenilirlik gösterdi; ependimomlar için ise görünümü daha değişken olduğu bilindiğinden biraz daha az kesin ama yine de açıkça kullanışlı sonuçlar verdi. Kritik olarak, sonuçlar üç kurum arasında ve yaş ile cinsiyet grupları arasında tutarlıydı; bu da modelin hasta karışımı ve görüntüleme koşullarındaki farklılıklarla başa çıktığını gösteriyor. Araştırmacılar sistemi her hasta için tek bir görüntüyle sınırladıklarında bile doğruluk yüksek kaldı ve doku örneklemeden yapay zekâ çıktısına kadar tüm işlem tipik olarak beş dakika içinde tamamlandı.

Bu neden omurga cerrahisini değiştirebilir

Genel bir beyin tümörü yapay zekâsının yeterli olup olmadığını görmek için yazarlar ayrıca intrakraniyal tümörler üzerinde eğitilmiş mevcut bir sınıflandırıcıyı test ettiler. O modelin performansı omurga vakalarında, özellikle ependimomlar ve metastazlar için belirgin şekilde düştü; bu da bölgeye özgü bir aracın gerekliliğini vurguluyor. SpineXtract yalnızca dengelenmiş doğrulukta önceki sistemi yaklaşık 15 puandan fazla geride bırakmakla kalmadı, aynı zamanda kalibre edilmiş güven skorları ve belirsiz vakaları işaretleyip daha fazla doku veya uzman incelemesinin gerektiğini öneren görsel haritalar sundu. Pratik olarak, çalışma etiketsiz optik görüntülemeyi dikkatle tasarlanmış bir yapay zekâ ile eşleştirmenin omurga ameliyatı sırasında hızlı ve doğru içgörüler sağlayabileceğini; gecikmeleri azaltma, cerrahi kararları iyileştirme ve sinir sisteminin diğer bölgeleri için benzer araçların geliştirilmesine zemin hazırlama potansiyeline sahip olduğunu gösteriyor.

Atıf: Reinecke, D., Müller, N., Meissner, AK. et al. AI-driven label-free Raman spectromics for intraoperative spinal tumor assessment. npj Digit. Med. 9, 227 (2026). https://doi.org/10.1038/s41746-025-02279-6

Anahtar kelimeler: omurga tümörleri, intraoperatif tanı, uyarılmış Raman histolojisi, cerrahide yapay zekâ, dijital patoloji