Giriş
Lokalize renal hücreli karsinomda (RCC) cerrahi rezeksiyon standart tedavi modalitesi olmasına rağmen, hastaların yaklaşık %40’ında cerrahi sonrası ilk 5 yıl içinde nüks gelişmektedir. Leibovich, UISS ve GRANT gibi mevcut prognostik modeller, büyük oranda postoperatif histopatolojik parametrelere dayanmakta ve bu durum preoperatif risk stratifikasyonu ile tedavi planlamasını kısıtlamaktadır. Kontrastlı bilgisayarlı tomografi (CECT) gibi rutin görüntüleme yöntemlerinden radyomik özniteliklerin (handcrafted veya deep learning) ekstraksiyonu, tümör biyolojisinin ve agresifliğinin non-invaziv yollarla objektif olarak değerlendirilmesi için yeni bir perspektif sunmaktadır.
Yöntem
Bu çalışma, PubMed ve Scopus veri tabanları üzerinden Nisan 2025’e kadar olan literatürü kapsayan, PRISMA ve AMSTAR-2 kılavuzlarına uygun olarak yürütülmüş ilk sistematik derleme ve meta-analizdir. Çalışmaların metodolojik kalitesi ve klinik karar destek mekanizmalarına uygunluğu, 28 kriterden oluşan valide edilmiş APPRAISE-AI çerçevesi kullanılarak değerlendirilmiştir. Primer sonlanım noktası olarak cerrahi sonrası 5 yıllık nükssüz sağkalım (RFS) ve genel sağkalım (OS) öngörüsünde modellerin diskriminatif performansı (AUC değerleri) rastgele etkiler modeli (random-effects model) ile analiz edilmiştir.
Bulgular
Analize dahil edilen 30 çalışmanın (n = 17,639 hasta) verileri şu temel bulguları ortaya koymuştur:
- Prognostik Performans: Manuel segmente edilmiş radyomik modellerin 5 yıllık RFS öngörüsündeki birleşik AUC değeri 0.87 (%95 CI: 0.84–0.90) olarak saptanmıştır. Eksternal validasyon kohortlarında bu değer 0.86 (%95 CI: 0.83–0.88) ile tutarlılığını korumuştur.
- Genel Sağkalım (OS): Üç kohortun analizinde, 5 yıllık OS öngörüsü için birleşik AUC 0.84 (%95 CI: 0.81–0.86) bulunmuştur.
- Prediktif Öznitelikler: En yüksek prediktif değere sahip öznitelik gruplarının Gray-Level Co-occurrence Matrix (GLCM) (%85 anlamlılık) ve şekil tabanlı özellikler (%84 anlamlılık) olduğu belirlenmiştir. Bu özelliklerin tümör içi heterojenite, vasküler düzensizlik ve invaziv potansiyel ile korele olduğu düşünülmektedir.
- Model Karşılaştırmaları: Multimodal füzyon modelleri (radyomik + klinik + patomik veriler) 0.90 AUC ile en yüksek performansı sergilerken, derin öğrenme (deep learning) 0.88 ve klasik makine öğrenmesi (machine learning) 0.86 AUC değerlerine ulaşmıştır.
- Metodolojik Kalite: Çalışmaların APPRAISE-AI skorları medyan 54/100 ile “orta kalite” olarak sınıflandırılmıştır. TRIPOD-AI kılavuzlarına uyum ve açıklanabilirlik (explainability) araçlarının kullanımı sınırlı düzeyde kalmıştır.
Sonuç
Radyomik ve yapay zeka temelli modeller, lokalize RCC cerrahisi sonrası nüks ve sağkalımı öngörmede yüksek doğruluk oranlarına sahiptir ve mevcut histopatolojik skorlama sistemlerine anlamlı bir preoperatif alternatif sunmaktadır. Bu modellerin klinik entegrasyonu; cerrahi endikasyonların belirlenmesi, sürveyans yoğunluğunun kişiselleştirilmesi ve özellikle yüksek riskli hastaların adjuvan immünoterapi için seçilmesinde kritik bir rol oynama potansiyeline sahiptir. Bununla birlikte, radyomik framework’lerin standardize edilmesi, görüntüleme protokollerindeki varyasyonların harmonizasyonu ve multi-kurumsal prospektif validasyon çalışmaları klinik uygulama için elzemdir
