Giriş
Prostat kanseri, mesane kanseri ve renal hücreli karsinom (RHK) başta olmak üzere ürolojik maligniteler, dünya genelinde kanser insidansı ve mortalitesinin önemli bir bölümünü oluşturmaktadır. Prostat kanseri erkeklerde en sık görülen kanser türü olup tüm erkek kanserlerinin yaklaşık dörtte birini kapsamaktadır. Mesane kanseri yıllık yaklaşık 550.000 yeni vaka ve 200.000 ölümle küresel kanser insidansında dokuzuncu sırada yer alırken, RHK her yıl yaklaşık 140.000 yeni vaka ve 60.000 ölüme yol açmaktadır. Bu hastalıkların erken tanısı, doğru sınıflandırılması ve bireyselleştirilmiş tedavisi konusunda karşılanmamış klinik ihtiyaçlar hâlâ mevcuttur.
Görüntüleme, endoskopi ve histopatolojik değerlendirme, ürolojik kanserlerin tanısında temel yaklaşımlar olmayı sürdürmektedir. Ancak bu yöntemlerin önemli kısıtlılıkları bulunmaktadır: görüntüleme yöntemlerinin erken veya mikroskobik lezyonları saptamadaki duyarlılığı sınırlı kalmakta, sistoskopi ve doku biyopsisi invaziv girişimler olup kanama ve enfeksiyon riski taşımakta, patolojik değerlendirmede ise gözlemciler arası değişkenlik tutarsız tanılara veya tedavi gecikmelerine yol açabilmektedir. Bu bağlamda yapay zeka (YZ) teknolojilerinin hızla gelişmesi, söz konusu sorunları çözme konusunda yeni bir fırsat penceresi açmaktadır.
Prostat Kanserinde Yapay Zeka Uygulamaları
YZ, prostat kanserinde multiparametrik MRI (mpMRI), ultrason ve PET-BT dahil olmak üzere çok modlu görüntüleme alanında önemli bir uygulama değeri ve geniş bir gelecek perspektifi sunmaktadır. Derin öğrenme yaklaşımları, mpMRI ile birlikte en kapsamlı şekilde kullanılmakta; erken lezyon tespiti, Prostat Görüntüleme-Raporlama ve Veri Sistemi (PI-RADS) kullanılarak risk değerlendirmesi ve klinik evreleme konularını destekleyerek daha hassas kararlar alınmasını kolaylaştırmaktadır.
Dijital patoloji ile YZ’nin bir araya gelmesi, tanısal uygulamalarda ve derecelendirmede yeni bir çağın kapılarını aralamaktadır. Tam kesit görüntüler üzerinde Gleason sisteminin YZ ile hayata geçirilmesi; algoritmaların insandan bağımsız olarak kanserli alanları otomatik biçimde tanımlaması ve aynı anda Gleason örüntülerini saptamasıyla gözlemciler arası değişkenliği önemli ölçüde azaltmaktadır. Çok modlu veri entegrasyonu kapsamında görüntüleme, klinik ve moleküler verilerin YZ modelleriyle birleştirilerek prostat kanserinin tanı ve prognoz değerlendirmesine katkı sağlanması, bu alanda giderek artan bir araştırma odağı haline gelmiştir.
Mesane Kanserinde Yapay Zeka Uygulamaları
Kesitsel görüntüleme, endoskopi ve dijital patolojideki hızlı gelişmeler, YZ’nin mesane kanseri tanısındaki uygulanabilirliğini artırmaktadır. BT, MRI, ultrason ve sistoskopik video temelli derin öğrenme modelleri artık tümör tespitine ve evrelemesine katkı sağlamakta olup kas invaziv hastalıkta birden fazla çalışmada genel olarak güçlü AUC
(Area Under the Curve) değerleri (yaklaşık 0,85–0,92) elde edilmiştir. mpMRI ile derin klinik özellikleri entegre eden bir model, kas invaze olmayan mesane kanserinde (MIBC dışı) 5 yıllık nüks riskini bağımsız test kohortunda 0,909 AUC değeriyle başarıyla tahmin etmiştir.
Sistoskopide önemli bir gelişme olarak, Transformer tabanlı BTS-Net modeli erken mesane kanseri ve küçük odakları gerçek zamanlı olarak segmente edebilmekte; böylece küçük lezyonların tespit oranını belirgin biçimde artırmaktadır. Dijital patoloji alanında ise 12.500’den fazla mesane tam kesit görüntüsü üzerinde eğitilen derin öğrenme modelleri, normal ürotelyal doku, invaze olmayan ürotelyal tümörler ve invaziv mesane kanseri arasında yüksek başarılı ayrım yapabilmekte ve en iyi modelde 0,983 AUC değerine ulaşmaktadır.
Renal Hücreli Karsinomda (RHK) Yapay Zeka Uygulamaları
YZ teknolojisi RHK tanısında kayda değer ilerleme kaydetmiştir. BT görüntü analizine dayalı YZ modelleri, özellikle nöral ağ yöntemi (CNN’ler), böbrek tümörlerinin otomatik tespiti ve alt tiplerine ayrımında yaygın biçimde kullanılmaktadır. Bir CNN çalışmasında BT görüntüleri üzerinde benign-malign ayrımında yaklaşık %85 doğruluk ve RHK alt tipi sınıflandırmasında 0,68–0,77 AUC değerleri elde edilmiştir. Radyogenomik yöntemler aracılığıyla görüntüleme fenotipleri ile genomik veriler ilişkilendirilmekte; bu sayede tümör davranışına daha derin bir bakış açısı kazanılmakta ve hastanın cerrahi öncesinde hedefe yönelik veya immünoterapiye olası yanıtı tahmin edilebilmektedir.
Çok Modlu Yapay Zeka: Avantajlar ve Zorluklar
Çok modlu YZ’nin temel avantajları iki önemli boyutta kendini göstermektedir. İlk olarak, görüntüleme, patoloji, klinik ve moleküler verilerden elde edilen çok kaynaklı bilgilerin entegrasyonu; tümör tespit oranını, derecelendirme doğruluğunu ve klinik karar verme süreçlerinin verimliliğini belirgin biçimde artırmaktadır. İkinci olarak, çapraz-modal bilgi transferi ve belirsizlik modellemesi sayesinde modelin genelleştirilebilirliği, kararlılığı ve yorumlanabilirliği güçlenmektedir.
Bununla birlikte, çok modlu YZ’nin klinik alana taşınması hâlâ ciddi engellerle karşı karşıyadır. Farklı merkezlerdeki BT ve MRI cihazlarının birbirinden farklı görüntü edinim protokolleri ve yeniden yapılandırma algoritmaları kullanması, patoloji kesit tarama süreçlerindeki standart eksikliği ile birleşerek modelin merkezler ve cihazlar arasındaki genelleştirilebilirliğini önemli ölçüde zayıflatan sistematik sapmalar ortaya çıkarmaktadır. Bunların yanı sıra, çalışma tasarımındaki metodolojik sorunları, etik standartlarındaki farklılıklar ve TRIPOD+AI, STARD-AI, PROBAST-AI gibi uluslararası kılavuzlara yönelik uyum eksikliği de aşılması gereken kritik zorluklar arasında yer almaktadır.
Klinik Çeviri: Onaylı Uygulamalar
Küçük ama giderek büyüyen bir yapay zeka sistemleri grubu, araştırma aşamasını geride bırakarak ürolojik onkolojide rutin veya rutine yakın klinik kullanıma girmiştir. Dijital patoloji alanında Paige Prostate, prostat patolojisi için FDA De Novo yetkisini almış ilk YZ aracı olma özelliğiyle önemli bir kilometre taşını temsil etmektedir. Bu sistem, bağımsız ve retrospektif tanısal çalışmalarda kanser tespit oranlarını artırdığı ve küçük tümör
odaklarının gözden kaçırılmasını azalttığı rapor edilen bir ikinci okuyucu olarak işlev görmektedir. Prostat MRI alanında ise Quantib Prostate ve Siemens AI-Rad Companion Prostate MR gibi ürünler, 510(k) onayı almış ve artık görüntüleme iş akışlarına entegre edilmektedir. Uluslararası ve çok merkezli PI-CAI çalışmasında, klinisyenlere belirlenen protokol çerçevesinde yapay zekanın klinisyenlerle karşılaştırıldığında non-inferior performans sergilediği ve bazı analizlerde insan okuyuculardan daha iyi sonuçlar elde ettiği gösterilmiştir.
Tartışma
Bu derleme, YZ’nin ürolojik kanser tanısında radyoloji, patoloji ve moleküler düzeylerdeki kapsamlı uygulamalarını ve bunların olası klinik yansımalarını sistematik bir şekilde ele almaktadır. Çok modlu veri entegrasyonu, yalnızca modelin performansını artırmakla kalmayıp klinik kanıt zinciri için yorumlanabilir bir temel oluşturmaktadır. Ancak klinik dönüşümün önünde ciddi engeller bulunmaktadır: yetersiz model genelleştirilebilirliği, sınırlı yorumlanabilirlik mekanizmaları, eksik veri standardizasyonu ve olgun bir yönetim çerçevesinin henüz oluşturulamamış olması bunların başında gelmektedir.
Orta ve uzun vadede, gelecekteki çalışmaların tek modalite modellerinin ötesine geçerek görüntüleme, dijital patoloji, klinik değişkenler ve mevcut olduğu durumlarda genomik ve moleküler verileri entegre eden gerçek anlamda çok modlu YZ sistemleri geliştirmesi gerekmektedir. Bu hedefe ulaşmak için çok merkezli konsorsiyumlar, federated learning çerçeveleri ve harmonize veri standartları kritik önem taşımaktadır. Yorumlanabilir modeller, yönetim ilkeleri ve düzenleyici uyum gereksinimleri de YZ’nin rutin klinik pratiğe sağlıklı bir şekilde entegrasyonu için vazgeçilmez bileşenler olmayı sürdürmektedir.
Sonuç
Mevcut kanıtlar, YZ’nin ürolojik kanserlerin tanı sürecinin bütününde umut verici bir potansiyele sahip olduğunu göstermektedir. Radyolojide YZ, farklı modalitelerde lezyon tespiti, derecelendirme ve evrelemenin duyarlılığını belirgin biçimde artırmakta; patolojide ise tam kesit görüntü analitiği daha nesnel ve tekrarlanabilir değerlendirmeler sunmaktadır. Moleküler düzeyde ise bütünleşik modelleme, risk sınıflandırmasını ve tedavi yanıtı tahminini güçlendirmektedir. Kısa vadede en gerçekçi ilerlemeler, prostat biyopsisi triyajı, PI-RADS veya VI-RADS skorlamasının standardizasyonu ya da BT ve MRI’da yüksek riskli lezyonların işaretlenmesi gibi açıkça tanımlanmış klinik sorunları ele alan dar kapsamlı ve göreve özgü modellerden beklenmektedir.
YZ, ürolojik onkoloji alanını hassasiyet ve verimlilik yönünde dönüştürme potansiyeli taşımaktadır. Bu hedefe ulaşmanın anahtarı; teknolojik gelişimi, klinik doğrulamayı ve standardize yönetimi koordineli biçimde ilerletmek ve algoritma yenilikçiliğinden klinik faydaya uzanan son adımı kararlılıkla tamamlamaktır.
Kaynaklar
1. Siegel RL, Kratzer TB, Giaquinto AN, Sung H, Jemal A. Cancer statistics, 2025. CA Cancer J Clin. 2025;75(1):10–45.
2. IARC. Bladder cancer. International Agency for Research on Cancer. 2025.
3. Bukavina L, Bensalah K, Bray F et al. Epidemiology of renal cell carcinoma: 2022 update. Eur Urol. 2022;82(5):529–542.
4. Roest C, Yakar D, Rener Sitar DI et al. Multi-modal AI combining clinical and imaging inputs improves prostate cancer detection. Invest Radiol. 2024;59(12):854–860.
5. Huang H, Huang Y, Kaggie JD et al. Multiparametric MRI-based deep learning radiomics model for assessing 5-year recurrence risk in non-muscle invasive bladder cancer. J Magn Reson Imaging. 2025;61(3):1442–1456.
6. Park JY, Kim J, Kim YJ et al. Multi-institutional validation of AI models for classifying urothelial neoplasms in digital pathology. Sci Rep. 2025;15(1):37215.
7. Han X, Guan J, Guo L et al. A CT-based interpretable deep learning signature for predicting PD-L1 expression in bladder cancer: a two-center study. Cancer Imaging. 2025;25(1):27.
8. Mahootiha M, Qadir HA, Bergsland J, Balasingham I. Multimodal deep learning for personalized renal cell carcinoma prognosis: Integrating CT imaging and clinical data. Comput Methods Programs Biomed. 2024;244:107978.
9. Giganti F, Moreira da Silva N, Yeung M et al. AI-powered prostate cancer detection: a multi- centre, multi-scanner validation study. Eur Radiol. 2025;35(8):4915–4924.
10. Zhan M, Zhou Z, Zhang J ve ark. Artificial intelligence in urological malignancy diagnosis and prognosis: current status and future prospects. Can J Urol. 2026;33(1):35–49.
