Kanser Riskini Tahmin Eden Yapay Zeka Aracı: Mirai

Kanserin erken tespitini sağlayabilmek için, gelecekte kimlerin kansere yakalanacağını tahmin etmek gerekiyor. Bu karmaşık tahmin süreci, yapay zeka (YZ) aracılarıyla geliştirilse de, YZ'nin tıpta benimsenmesi, yeni hasta grupları üzerindeki düşük performansı ve etnik azınlıkları göz ardı etmesi nedeniyle sınırlı kaldı.

İki yıl önce, MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) ile Jameel Kliniği'nden bir ekip, yalnızca bir hastanın mamogramını kullanarak kanser riskini tahmin eden derin öğrenme sistemini tanıttı. Model çarpıcı sonuçlar verdi ve kapsayıcılığı geliştirdi: Beyaz ve siyahi kadınlar için eşit derecede doğruydu. Bu, siyahi kadınların göğüs kanserinden ölme olasığının %43 daha yüksek olduğu düşünüldüğünde özellikle önemliydi fakat görüntü tabanlı risk modellerinin klinik kullanıma entegre edilmesi ve yaygınlaştırılması için algoritmik iyileştirmelere ve çeşitli hastanelerde genış çapta doğrulamaya ihtiyaç duyuluyordu.

Mirai Algoritması ve Yenilikleri

Araştırmacılar, risk modellemesinin kendine özgü gereksinimlerini yakalayacak şekilde yeni "Mirai" algoritmasını tasarladı. Mirai, hastanın riskini birden fazla gelecekteki zaman dilimi için aynı anda modelleyebiliyor ve mevcutsa yaş veya aile geçmişi gibi klinik risk faktörlerinden faydalanabiliyor. Algoritma ayrıca, mamografi makinesi tercihi gibi klinik ortamlardaki küçük farklılıklar karşısında bile tutarlı tahminler verecek şekilde geliştirildi.

Mirai, daha önceki çalışmada kullanılan Massachusetts General Hospital (MGH) veritabanındaki 200.000'den fazla tarama üzerinden eğitildi ve MGH, İsveç'teki Karolinska Enstitüsü ve Tayvan'daki Chang Gung Memorial Hospital'dan test verileriyle doğrulandı. Mirai şu anda MGH'da kullanılıyor ve araştırma ortakları modeli kliniklere entegre etmek için çalışıyor.

Mirai, önceki yöntemlere kıyasla tüm test verilerinde daha doğru sonuçlar verdi. MGH test setinde, model mevcut klinik standart olan Tyrer-Cuzick modeline göre yaklaşık iki kat daha fazla gelecekteki kanser vakasını tespit etti. Farklı ırk, yaş ve meme yoğunluğu gruplarında benzer performans gösterdi. Karolinska test setinde farklı kanser alt türleri için de tutarlılığını korudu.

CSAIL doktora öğrencisi ve yayının başyazarlığını üstlenen Adam Yala "Geliştirilmiş meme kanseri risk modelleri, daha erken tespit sağlayan, daha hassas ve daha az zarar veren tarama stratejileri oluşturur. Hedefimiz, bu ilerlemeleri standart bakım sürecine dahil etmek." diyor. 

Zaman, Klinik Faktörler ve Tutarlılık

Mirai algoritmasının başarısının ardında üc temel yenilik yer alıyor: zamanı ortak modelleme, klinik olmayan risk faktörlerinin isteğe bağlı olarak kullanılması ve farklı klinik ortamlarda tutarlı performans.

Zamana dayalı risk değerlendirmeleri, bir hastanın ne kadar sıklıkla taranması gerektiğini veya önleyici tedavilere ihtiyacı olup olmadığını belirleyebilir. Mirai, "toplam risk katmanı" yöntemiyle zaman içinde kendine tutarlı risk tahminleri yapabiliyor.

Model ayrıca, yaş veya hormonal bilgiler gibi ek veriler mevcutsa faydalanabiliyor ancak bunlara bağımlı olmadan da çalışabiliyor. Çoğu risk faktörü, mamogram görüntülerinden tahmin edilebildiği için model bu veriler olmadan da uygulanabiliyor.

Tutarlılığı sağlamak için, algoritma farklı mamografi cihazlarından gelen veriler arasındaki farklılıkları düzenleyen "adversarial" bir eğitim yöntemi kullanıyor. Karolinska ve CGMH test setlerinde ise modelin performansı sabit kaldı.

Massachusetts General Hospital'dan meme cerrahı Salewai Oseni "Afrikalı-Amerikalı kadınlar göğüs kanserine daha erken yaşlarda ve daha ileri evrelerde yakalanıyor. Bu çalışma, tahmin gücü tüm ırk grupları için yüksek olan bir risk modeli geliştirildiğini gösteriyor." diyor.

Mirai Nasıl Çalışıyor?

1. Mamogram görüntüsü "görüntü kodlayıcısı"ndan geçiyor.
   
   
2. Farklı açılardan alınan tüm görüntüler birleştirilerek hastanın tüm meme yapısını yansıtan bir temsil çıkarılıyor.
   
   
3. Geleneksel risk faktörleri (yaş, hormonel faktörler vb.) varsa kullanılıyor, yoksa model bu verileri tahmin ediyor.
   
   
4. Toplam risk katmanı, hastanın önümüzdeki beş yıl içinde her yıl için kanser riskini tahmin ediyor.
   
   

Gelecekteki Geliştirmeler

Mevcut model, hastanın önceki görüntülerini kullanmıyor. Ancak zaman içinde yaşanan değişimler önemli bilgiler taşıyor. Bu nedenle ekip, gelecekte hastanın tüm görüntülerini içerecek yöntemler geliştirmeyi hedefliyor.

Ayrıca tomosentez gibi X-ışı yöntemlerinin entegrasyonuyla doğruluğun artırılması planlanıyor. Yala konuyla ilgili "MRI, kanserleri mamografiye göre daha erken tespit edebiliyor. Geliştirilmiş risk modelleriyle, daha hassas tarama yöntemlerini, kanser geliştirme olasılığı yüksek hastalara sunabiliriz." demekte.

Emory Üniversitesi'nden Judy Gichoya şu ifadeleri kullanıyor: "YZ sisteminin Afrikalı-Amerikalı topluluklar için ne kadar etkili olacağını öğrenmek hem heyecan verici hem de önemli bir sorumluluk."

Yala'nın yayınladığı Mirai makalesi, MIT, Karolinska Enstitüsü, Chang Gung Memorial Hospital, KTH Kraliyet Teknoloji Enstitüsü, Chang Gung Üniversitesi, MGH ve Harvard Tıp Fakültesi'nden uzmanlarla birlikte kaleme alındı.

Çalışma, Susan G. Komen, Meme Kanseri Araştırma Vakfı, Quanta Computing, MIT Jameel Kliniği ve diğer sağlık fonları tarafından desteklendi.

‍

‍

‍

‍

Kaynak: https://news.mit.edu/2021/robust-artificial-intelligence-tools-predict-future-cancer-0128