Derin öğrenme kullanarak histopatoloji görüntülerinden primer ve metastatik müsinöz over karsinomunun ayrımı

Hastalar ve hekimler için neden önemli

Bir kişiye over kanseri teşhisi konduğunda bir sonraki hayati soru, kanserin nerede başladığıdır. Müsinöz over karsinomu adı verilen yaygın bir alt tip için yumurtalıktaki tümörler ya gerçek over kökenli kanserler olabilir ya da mide veya bağırsaklardan yayılmış lezyonlar olabilir. Bu iki durum çok farklı tedaviler gerektirir ve prognozları farklıdır, ancak uzman patologlar bile bunları mikroskop altında ayırt etmekte zaman zaman zorluk yaşar. Bu çalışma, dijital mikroskop görüntülerini okuyan ve doktorların bu iki olasılığı daha doğru ve verimli biçimde ayırt etmelerine yardımcı olan özel bir yapay zeka (YZ) sistemini tanıtmaktadır.

Çok benzer görünüşlü, ama yolları çok farklı iki kanser

Müsinöz over karsinomu sıklıkla büyük, mukus dolu tümörler oluşturur ve bu tümörler ovaride başlamış olsun ya da gastrointestinal kanaldan yayılmış olsun son derece benzer görünebilir. Geleneksel olarak patologlar boyanmış doku lamlarında görsel ipuçları, ek laboratuvar boyamaları, görüntüleme testleri ve klinik öykünün bileşiminden yararlanır. Bu tam değerlendirmeye rağmen, özellikle vücutta başka yerde küçük veya gizli tümörler olduğunda tanı belirsiz olabilir. Geçmiş araştırmalar tümör boyutu, tek ya da iki overin tutulumu ve belirli hücre tiplerine dayanan kontrol listeleri önermiştir, ancak metastatik tümörler primer over büyümelerini ustaca taklit ettiğinde bu kurallar başarısız olabilir. Metastatik bir tümörü primer olarak veya tam tersini yanlış etiketlemek yanlış cerrahiye, yanlış kemoterapiye ve prognoz hakkında hatalı bilgilendirmeye yol açabilir.

Bilgisayarlara doku görüntülerini okumayı öğretmek

Dijital patoloji ve derin öğrenme başka bir yol sunar. Bu çalışmada araştırmacılar, üç hastaneden iyi belgelenmiş müsinöz over tümörleri olan 167 hastaya ait mikroskop görüntülerini topladılar. Zaten rutin bakımın bir parçası olan standart hematoksilin-eozin (H&E) boyalı lamlara odaklandılar. Ekip, her tam lam görüntüsünü otomatik olarak çok sayıda küçük yama hâline bölen ve bunları ek klinik bilgi olmadan analiz eden Mucinous Ovarian Carcinoma Origin Prediction Model (MOCOPM) adlı modeli oluşturdu. Birkaç sinir ağı tasarımını test ettiler ve patologların farklı büyütmelerde yakınlaşma ve uzaklaşma şeklinden ilham alan daha yeni bir grafik tabanlı modelin en iyi sonucu verdiğini buldular. Bu model, üç büyütme düzeyi boyunca yamaları birbirine bağlayarak hem hücresel ince ayrıntıları hem de daha geniş büyüme desenlerini yakalayabiliyor.

YZ’nin gerçek dünya koşullarındaki performansı

MOCOPM önce zor ve olağandışı tümörlerin yaygın olduğu büyük bir referans hastanedeki olgular kullanılarak eğitildi ve doğrulandı. Bu dahili grupta model, primer ile gastrointestinal metastatik tümörleri yüksek doğrulukla ayırdı; bu, alıcı işletim eğrisi altında kalan alanın 0.91 olmasıyla yansıtıldı. Araştırmacılar ardından sistemi, lamların bağımsız olarak hazırlandığı ve olguların genel olarak daha düzeyli olduğu iki ek hastaneden gelen görüntülerle zorladı. Burada model daha da iyi performans gösterdi; eğri altındaki alan 0.96 oldu ve kesinlik ile geri çağırma (precision ve recall) için güçlü puanlar elde etti. Ayrıca başka bir araştırma grubunun primer müsinöz over kanserlerine ait ayrı bir kamu veri setinde test edildiğinde de dayanıklılığını korudu; bu da yaklaşımın farklı kaynaklar arasında makul ölçüde sağlam olduğunu düşündürüyor.

Siyah kutunun içini görmek

YZ araçları opak görünebileceği için araştırmacılar GNNExplainer adlı bir açıklama tekniği kullanarak her lam üzerindeki hangi bölgelerin modelin kararlarını en çok etkilediğini vurguladılar. İnceledikleri doğru sınıflandırılmış olguların çoğunda vurgulanan alanlar, insan uzmanların zaten kullandığı özelliklerle örtüştü; örneğin özel "signet ring" hücre kümeleri, tümör hücrelerinin çevre dokuyu işgal etme desenleri ve benign, sınırda ve açıkça malign bileşenlerin karışımları gibi. Bu örtüşme, sistemin yalnızca alakasız görsel tuhaflıkları yakalamadığı, tıbben anlamlı desenlere odaklandığını düşündürmektedir. Önemli olarak, MOCOPM yalnızca rutin H&E lamlarına ihtiyaç duyar; bu da kapsamlı ek boyamalar gereksinimini azaltarak zaman ve maliyet tasarrufu sağlayabilir.

Gelecekte bakım için olası etkileri

Yazarlar MOCOPM’nin patologların yerini almak için değil, karar destek aracı olarak hizmet etmesi amaçlandığını vurguluyor. Yoğun veya kaynak kısıtlı ortamlarda zorlu vakaları işaretleyebilir, uzmanları lam üzerindeki şüpheli bölgelere yönlendirebilir ve kesinleştirmeden önce ek bir kontrol sağlayabilir. Çalışmanın sınırlılıkları vardır: bu kanser tipi nadirdir, örneklem büyüklüğü sınırlıdır ve bağırsak dışı kaynaklı metastatik tümörler dahil edilmemiştir. Böyle bir sistemin günlük uygulamaya entegre edilmeden önce daha büyük, prospektif çalışmalara ihtiyaç vardır. Yine de bu çalışma, dikkatle tasarlanmış YZ’nin over kanserindeki en zorlu ayrımlardan birinde yardımcı olabileceğini ve hastaların kanserlerinin gerçekten nerede başladığına uygun tedavi almalarını sağlamaya yardımcı olabileceğini göstermektedir.

Atıf: Zhang, MY., Liu, B., Qin, ZJ. et al. Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning. npj Digit. Med. 9, 276 (2026). https://doi.org/10.1038/s41746-026-02459-y

Anahtar kelimeler: müsinöz over karsinomu, dijital patoloji, derin öğrenme, graf sinir ağı, kanser tanısı