Simplex Ar-Ge

Yapay Zekâ ile Sağlıkta Araştırma ve İnovasyonu Destekliyoruz

Yapay zekâ tabanlı radyoloji ve patoloji araştırma projelerini destekliyor, klinik ihtiyaçlardan yola çıkarak farklı alanlarda araştırma ve geliştirme çalışmaları yürütüyoruz. Amacımız, yapay zekânın sağlık hizmetlerinde güvenilir, uygulanabilir ve klinik değeri yüksek çözümlere dönüşmesini sağlamak.

Bu doğrultuda sektör paydaşları, sağlık kuruluşları, üniversiteler ve akademik araştırma gruplarıyla AR-GE odaklı iş birlikleri geliştiriyor; gerçek klinik ihtiyaçlara yönelik projelerde birlikte çalışıyoruz. Veri, klinik uzmanlık, yapay zekâ ve yazılım mühendisliğini bir araya getirerek araştırma fikirlerinin prototiplerden uygulanabilir sağlık teknolojilerine dönüşmesini destekliyoruz.

Radyoloji ve dijital patoloji başta olmak üzere görüntü analizi, yapay zekâ destekli karar destek sistemleri, risk sınıflandırması ve klinik araştırma alanlarında çeşitli projeler yürütüyor; akademi ve sektör arasındaki iş birliğini güçlendiren sürdürülebilir bir AR-GE ekosistemi oluşturmayı hedefliyoruz.

Akademik ve klinik paydaşlarımızla birlikte araştırmayı ilerleten, klinik iş akışlarını iyileştiren ve sağlığın geleceğini şekillendiren yapay zekâ çözümleri geliştiriyoruz.

Araştırma Alanları

Dijital Patoloji ve Radyoloji Araştırmaları

Dijital patoloji ve radyoloji alanlarında görüntüleme teknolojileri, dijital iş akışları ve klinik veri yönetimi üzerine çalışmalar yürütüyoruz. Araştırma süreçlerini destekleyen ve sağlık hizmetlerinde dijital dönüşüme katkı sağlayan yenilikçi teknolojiler geliştiriyoruz.

Patoloji ve Radyolojide Yapay Zekâ Araştırmaları

Tıbbi görüntü analizi, otomatik değerlendirme, risk sınıflandırması ve klinik karar destek sistemleri alanlarında yapay zekâ çözümleri geliştiriyoruz. Klinik ihtiyaçlara yönelik algoritmalar ve veri odaklı yaklaşımlarla tanısal süreçlerin etkinliğini ve standardizasyonunu destekliyoruz.

Patoloji ve Radyolojide Ar-Ge ve İnovasyon

Akademisyenler, sağlık profesyonelleri ve araştırma kurumlarıyla iş birliği içinde, klinik ihtiyaçları yenilikçi teknoloji çözümlerine dönüştürüyoruz. Disiplinler arası Ar-Ge projeleriyle bilimsel araştırmaları destekliyor, yeni nesil sağlık teknolojilerinin geliştirilmesine katkıda bulunuyoruz.

HEMATOPATOLOJİ · ARAŞTIRMA

Kemik İliği Biyopsilerinde Megakaryositlerin Yapay Zekâ ile Segmentasyonu

Miyeloproliferatif neoplazmların alt tiplerini ayırt etmek rutin patolojide zorlu bir iş. Ankara Üniversitesi Tıp Fakültesi Patoloji Anabilim Dalı ile Simplex Yapay Zekâ Ekibi, kemik iliği biyopsilerindeki megakaryositleri yapay zekâ ile bulup sınıflandıran ve bu bilgiyi tanıya taşıyan modeller geliştirdi.

Klinik sorun: benzer görünen üç hastalığı ayırmak

Polisitemia vera (PV), esansiyel trombositemi (ET) ve primer miyelofibroz (PMF), BCR::ABL1 negatif miyeloproliferatif neoplazmların (MPN) üç klasik alt tipidir. Klinikopatolojik ve moleküler özellikleri büyük ölçüde örtüşür; buna karşın komplikasyonları ve hastalığın seyri farklıdır. Bu yüzden rutin pratikte birbirlerinden ayırt edilmeleri zordur.

Yapay zekâ teknolojileri, nicel görüntü analiziyle klasik morfolojik değerlendirmeyi güçlendirebilir. Çalışmanın amacı, megakaryosit özelliklerini tanıyıp analiz ederek patologlara MPN tanısında ve alt tiplerin ayrımında yardımcı olacak makine öğrenmesi modelleri geliştirmekti.

Yöntem: dijital preparat, uzman etiketi, yapay zekâ

Ocak 2012 ile Eylül 2024 arasında tanı almış 27 PV, 37 ET ve 17 prefibrotik PMF olgusunun hematoksilen-eozin boyalı kemik iliği biyopsileri, hematolenfoid hastalığı ya da kemoterapi öyküsü olmayan hastalardan alınmış 26 non-neoplastik biyopsiyle birlikte geriye dönük incelendi ve 3DHISTECH tarayıcıyla dijitalleştirildi.

Dijital görüntülerde megakaryosit çekirdekleri (normal, çıplak, ayrık, bulböz, hiperkromatik, hiperlobüle ve monolobüle/hipolobüle/mikromegakaryosit), sitoplazma sınırları ve kümeler Simplex PACS yazılımında elle etiketlendi. Bu etiketli veriyle megakaryosit segmentasyonu, sınıflandırması ve sitomorfolojik ve topografik özelliklere dayalı MPN alt tip ayrımı için yapay zekâ algoritmaları geliştirildi.

Bulgular

Segmentasyon modeli megakaryositleri %87,6 F1 skoruyla saptadı. Sınıflandırma modeli displastik megakaryositleri normal olanlardan %96,74 doğrulukla ayırdı ve çekirdek morfolojisi sınıflarını %92,53 doğrulukla öngördü.

Tanı modelleri MPN’leri non-neoplastik kemik iliğinden ortalama %94 doğrulukla ayırdı; en iyi modelde bu oran %100’e ulaştı. Alt tip ayrımında yalnız morfolojik özelliklerle %81,48 olan doğruluk, klinik ve laboratuvar verileri eklendiğinde %92,59’a yükseldi.

Sonuç

Yapay zekâ tabanlı modeller megakaryosit segmentasyonunda, sınıflandırmasında ve MPN tanısı ile alt tip ayrımında güçlü bir performans gösterdi. Bu yaklaşımlar iş akışlarını otomatikleştirerek, tanı süreçlerini hızlandırarak ve nesnel sonuçlar sunarak patologları destekleyebilir. Bulgular, yöntemin klinik pratikte uygulanabilir olduğuna ve nicel histolojik değerlendirme gerektiren diğer hematolojik malignitelere de uyarlanabileceğine işaret ediyor.

İŞ BİRLİĞİAnkara Üniversitesi Tıp Fakültesi Patoloji Anabilim Dalı
YAPAY ZEKÂSimplex Yapay Zekâ Ekibi
ÇERÇEVE107 kemik iliği biyopsisi (27 PV, 37 ET, 17 prefibrotik PMF, 26 non-neoplastik) + Simplex PACS’ta etiketleme
ÇIKTIUzmanlık tezi
PATOLOJİ · ARAŞTIRMA

Feokromositoma ve Paragangliomalarda Risk Sınıflandırması için Yapay Zekâ Kullanımı

Feokromositoma ve paragangliomalarda hangi tümörün metastaz yapacağını önceden kestirmek, patolojinin en zor sorularından biri. Ankara Üniversitesi Tıp Fakültesi Patoloji Anabilim Dalı ile Simplex Yapay Zekâ Ekibi, bu soruya yapay zekânın nasıl katkı sağlayabileceğini birlikte araştırdı.

Klinik sorun: metastaz riskini öngörmek

Feokromositoma ve paragangliomalar, adrenal medulla ve adrenal dışı paraganglionlardan köken alan nöroendokrin tümörlerdir. Bu tümörlerde metastaz riskinin önceden kestirilmesi, hastanın prognozunu belirlemek ve doğru takip stratejisini planlamak için kritik öneme sahiptir; ancak klinik pratikte bu hâlâ önemli bir güçlüktür.

Yaklaşım: GAPP ile yapay zekâyı bir araya getirmek

Çalışmada tümörler, GAPP (Grading system for adrenal phaeochromocytoma and paraganglioma) sistemine göre histopatolojik olarak değerlendirildi. Elde edilen bulgular yapay zekâ yöntemleriyle birleştirilerek, hesaplamalı modellerin risk sınıflandırmasını daha etkili hâle getirip getiremeyeceği incelendi.

Klinik uzmanlık ile mühendisliğin buluştuğu bir çalışma

Araştırma, Ankara Üniversitesi’nde yürütülen bir uzmanlık tezinin de temelini oluşturdu. Patologların histopatolojik değerlendirme birikimi ile Simplex’in yapay zekâ ve yazılım mühendisliği deneyimi aynı projede bir araya geldi.

Simplex’in Ar-Ge yaklaşımı

Tıbbi yapay zekâda anlamlı inovasyonun ancak klinisyenler, araştırmacılar ve teknoloji ekipleri arasındaki yakın iş birliğiyle mümkün olduğuna inanıyoruz. Bu nedenle mühendislik birikimimizi ve yapay zekâ kaynaklarımızı, başta patoloji ve tıbbi görüntüleme olmak üzere akademik araştırmalara yatırmaya devam ediyoruz. Amacımız, bilimsel fikirleri zamanla klinik pratiğe katkı sunabilecek teknolojilere dönüştürmek.

İŞ BİRLİĞİAnkara Üniversitesi Tıp Fakültesi Patoloji Anabilim Dalı
YAPAY ZEKÂSimplex Yapay Zekâ Ekibi
ÇERÇEVEGAPP derecelendirme sistemi + yapay zekâ yöntemleri
ÇIKTIAnkara Üniversitesi’nde uzmanlık tezi
RADYOLOJİ · KAVRAM KANITI

Takip BT’lerinde Vertebra Değişiminin Radiomix ile Saptanması

Doku, bir vertebranın değiştiğini söyleyebilir mi? Bu kavram kanıtı çalışmasında her vertebra otomatik olarak segmente edildi, her birinden 172 radyomik özellik çıkarıldı ve her takip BT’si ilk çekimle karşılaştırıldı. Amaç, omurganın geri kalanından farklı değişen vertebrayı radyoloğa göstermek.

Neden omurganın geri kalanına göre?

Trabeküler çekirdeğin ortalama HU değeri izlendiğinde vertebraların çoğunun birlikte yoğunluk kaybettiği görüldü; omurga genelindeki düşüş yaklaşık %20’ydi. Bu yüzden değişim mutlak değerlerle değil, omurganın geri kalanına göre ölçüldü: bir vertebranın değişiminden diğer vertebraların tipik (ortanca) değişimi çıkarıldı ve sonuç normal yayılıma bölündü.

Yöntem: DICOM’dan sıralı vertebra listesine

Akış baştan sona otomatik. Aynı protokolle (GE, 120 kVp, 5 mm) çekilmiş 7 kontrastsız BT’de SPINEPS her vertebrayı çizip adlandırdı (T7–L5). İnceleme bölgesi vertebra gövdesiydi (korteks ve uç plaklar dahil); kısmen görüntülenen vertebralar dışarıda bırakıldı.

Her bölgeden Radiomix ile yoğunluk, doku, şekil ve IBSI gruplarında 172 özellik çıkarıldı. Her tarama hem ilk çekimle hem bir önceki taramayla karşılaştırıldı. Omurganın geri kalanından farklı değişen vertebralar inceleme için sıralandı.

Bulgular

Vertebraların adlandırılması 7 taramanın hepsinde tutarlı kaldı (hacimler ve konumlar kararlı). Omurga genelindeki yoğunluk düşüşü, tek bir vertebraya özgü değişimden ayrılabildi.

En güçlü ve kalıcı sinyal L1’de çıktı. İlk çekimden yaklaşık iki ay sonra yerel farklılık ölçüsü (Geary’s C), yaklaşık dört ay sonra da basıklık, çarpıklık ve en yüksek HU değeri yükseldi: aksi hâlde düzgün bir gövdede birkaç çok parlak voksel. Bu, L1’de aynı dönemden itibaren görülen küçük parlak bir odakla uyumlu ve radyolog değerlendirmesi gerektiriyor.

T9, ilk çekimden sonraki yaklaşık ikinci ve altıncı aylar arasında diğerlerinden daha yoğundu; başlangıç değeri de alışılmışın dışındaydı. Bu bir kenar etkisi değil.

Sınırlar ve sonraki adımlar

Henüz bir normal aralık yok: skorlar sıralama yapıyor, “anormal” kararı vermiyor. Çalışma tek hastaya, 5 mm kesitlere ve yayılımı tahmin etmek için tarama başına yaklaşık 8 vertebraya dayanıyor. Kalibrasyon fantomu ya da referans doku, radyolog tarafından belirlenmiş bir referans standart da henüz yok.

Sonraki adımlar: L1 ve T9’un radyolog tarafından okunması, yeni lezyonu olmayan hastalarda normal değişimin tanımlanması, olanak olduğunda ince kesit rekonstrüksiyonlar ve lezyon gelişimi bilinen olgularda (Spine-Mets kohortu) test.

VERİTek hasta, yaklaşık bir yıla yayılan 7 kontrastsız BT (aynı protokol, 5 mm); 11 vertebra (T7–L5)
YÖNTEMSPINEPS segmentasyonu + Radiomix (bölge başına 172 özellik) + omurgaya göre değişim skoru
ÇIKTIİncelenmek üzere sıralanmış vertebra listesi; tanı koymaz, “buraya bakın” der
DURUMKavram kanıtı · yalnız araştırma amaçlı, klinik kullanım için değildir

Akademik ve Klinik Araştırmalarınız için Geleceğin Sağlık Teknolojilerini Birlikte Geliştirelim