Yapay zeka, kanser araştırmalarında dikkat çekici bir kullanım alanıyla gündeme geldi.
ABD’deki Mass General Brigham araştırmacıları, kanser hastalarının yüz fotoğraflarını analiz ederek yaşla ilişkili özellikleri ve sağkalım riskini değerlendiren iki yapay zeka aracı geliştirdi. The Lancet Digital Health Dergisi’nde yayımlanan çalışmada tanıtılan FAHR-FaceAge, yüz görünümünden yaş tahmini yaparken FAHR-FaceSurvival, hastaların sağkalım riskine ilişkin bir risk hesabı oluşturuyor.
Temel yapay zeka modelinin 40 milyondan fazla yüz fotoğrafıyla eğitildiğini belirten Şendur, sistemlerin yüzün farklı bölgelerindeki karmaşık örüntüleri analiz ettiğini söyledi.
Araştırmanın en önemli bulgusunun, yüz fotoğraflarından elde edilen bilgilerin kanser hastalarının genel sağlık durumu ve sağkalım riski hakkında anlamlı ipuçları taşıyabildiğini göstermesi olduğunu ifade eden Şendur, “En yüksek risk grubundaki hastaların ölüm riski, en düşük risk grubuna kıyasla diğer klinik etkenler hesaba katıldıktan sonra yaklaşık 3,23 kat yüksek bulundu. Ancak bu, bir hastanın ne kadar yaşayacağının fotoğrafından kesin olarak belirlenebileceği anlamına gelmiyor” dedi.
FAHR-FaceAge sisteminin doğrudan organların biyolojik yaşını ölçmediğini vurgulayan Şendur, kronolojik yaş ile biyolojik yaş arasındaki farka dikkat çekti. Kronolojik yaşın doğumdan itibaren geçen süreyi, biyolojik yaşın ise vücudun yıpranma ve işlevsel durumunu ifade ettiğini belirten Şendur, sistemin yüz görünümünden yaşla ilişkili bir tahmin ürettiğini söyledi. Yüz yaşının takvim yaşından yüksek olmasının bazı hasta gruplarında daha olumsuz sağkalımla ilişkili bulunduğunu aktaran Şendur, bunun tek başına kemoterapi dozunu değiştirmek veya tedaviyi kesmek için yeterli olmadığını kaydetti.
Sağkalım modelinin 34 bin 363 kanser hastasının fotoğraflarıyla uyarlandığını dile getiren Şendur, çalışmanın geniş veri kullanımı ve bağımsız hasta gruplarında doğrulama yapılması açısından güçlü olduğunu ifade etti. Şendur, bununla birlikte verilerin ağırlıklı olarak belirli sağlık sistemlerinden ve özellikle radyoterapiyle ilişkili hasta gruplarından elde edilmesinin sonuçların tüm kanser türlerine genellenmesini zorlaştırabileceğini söyledi. Şendur ayrıca geriye dönük değerlendirmelerde başarılı olan bir algoritmanın gerçek klinik ortamda da aynı yararı sağlayacağının henüz kanıtlanmadığını vurguladı.
Kanserin kendisinin ve uygulanan tedavilerin yüz görünümünü etkileyebileceğine dikkat çeken Şendur, kilo ve kas kaybı, susuzluk, ödem, kortikosteroid kullanımı, uyku bozuklukları ve beslenme durumunun yapay zeka tahminlerini etkileyebileceğini belirtti. “Bu değişimlerin bazıları hastanın genel kırılganlığının işareti olabilir ancak her zaman kanserin biyolojik saldırganlığını yansıtmaz” diyen Şendur, fotoğrafın çekildiği zamanın, tedavi döneminin ve klinik koşulların standartlaştırılması gerektiğini söyledi.
Modellerin şimdilik rutin tedavi kararlarını belirleyen bağımsız testler olarak değerlendirilmemesi gerektiğini vurgulayan Şendur, onkolojide tedavi kararlarının kanserin türü ve evresi, moleküler özellikler, hastanın performans durumu ve eşlik eden hastalıklar gibi birçok faktöre dayandığını ifade etti.
Algoritmaların farklı cilt tonları, etnik kökenler ve yaş gruplarında aynı doğrulukla çalışmasının da ayrıca incelenmesi gerektiğini belirten Şendur, Türkiye'de kullanım için farklı merkezlerden ve hasta gruplarından katılımcıların yer aldığı prospektif doğrulama çalışmalarına ihtiyaç olduğunu söyledi. Şendur, fotoğraf çekim koşullarının standartlaştırılması, sonuçların klinik verilerle karşılaştırılması, veri güvenliği ve kişisel verilerin korunmasının sağlanması gerektiğini belirterek sözlerini şöyle tamamladı:
“Yapay zekanın rolü hekimi ya da hasta-hekim ilişkisini ikame etmek değil; doğrulanmış, şeffaf ve güvenli bir karar desteği sunmak olmalı. Türkiye için doğru yaklaşım, önce yerel bilimsel doğrulama, ardından kontrollü klinik kullanımdır.”
