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/
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.