Giriş
Kesitsel görüntüleme tekniklerinin yaygın kullanımı, asemptomatik insidental renal lezyonların saptanmasında artışa yol açmıştır. Ancak bu durum, şüpheli malign renal kitleler için yapılan cerrahi ve ablasyon işlemlerinde artışla sonuçlanmış, buna rağmen böbrek kanserine özgü mortalitede belirgin bir azalma görülmemiştir. BT ve Manyetik Rezonans Görüntüleme, malignite olasılığını ve agresiflik derecesini tahmin etmede sınırlı doğruluğa sahiptir. Perkütan biyopsi invaziv bir yöntem olup, vakaların %20’sinde non-diagnostik sonuç verir ve tümör heterojenitesi nedeniyle nükleer dereceyi, nekrozu ve sarkomatoid diferansiyasyonu tahmin etmede düşük doğruluk gösterir. Bu bağlamda, benign renal kitlelerin non-invaziv tanısının geliştirilmesi ve agresif tümörlerin indolent tümörlerden ayrılması acil bir klinik gereksinimdir.
Yöntem
Veri Kümeleri ve Model Geliştirme: Çalışmada, 4557 hastaya ait 13261 preoperatif çok fazlı BT volümü analiz edilmiştir. Hastalar eğitim (n=2400), internal test (n=598), eksternal test (n=561), prospektif test (n=610) ve TCIA (n=388) test setlerine ayrılmıştır. Çalışmanın temelini, renal kitlelerin malignite ve agresifliğini tahmin etmek üzere geliştirilen iki adet çok fazlı konvolüsyonel sinir ağı (Multi-phase Convolutional Neural Network) oluşturmaktadır.
Histopatolojik Sınıflandırma ve Agresiflik Tanımı: Renal tümörler, benign indolent, malign indolent ve malign agresif olarak sınıflandırılmıştır. Tümör agresifliği, histolojik alt tip, tümör derecesi (WHO/ISUP), nekroz ve sarkomatoid diferansiyasyon gibi advers patolojik özelliklerin entegrasyonuyla kapsamlı bir şekilde değerlendirilmiştir. Örneğin, yüksek dereceli (3–4) komponentler, major venlere veya perinifrik dokuya invazyon ya da sarkomatoid diferansiyasyon gösteren şeffaf hücreli renal hücreli karsinomlar (ccRCC) agresif olarak sınıflandırılmıştır.
Görüntü İşleme ve Analiz: nnU-Net mimarisi, böbrek yapısının ve renal kitlelerin otomatik segmentasyonu için kullanılmış ve tatmin edici performans (DICE katsayısı 0.852) elde edilmiştir. Model, potansiyel hasta hareketinden kaynaklanan kayıt hatalarını önlemek amacıyla, her bir BT fazından (non-kontrast, arteryel, venöz) özelliklerin ayrı ayrı çıkarıldığı ve ardından bir çapraz dikkat modülü aracılığıyla entegre edildiği “geç füzyon” stratejisini benimsemiştir.
Bulgular
1. Malignite Tahmini: Maligniteyi (malign vs. benign) ayırt etmek üzere geliştirilen ilk diagnostik model, prospektif test setinde 0.871 Eğri Altındaki Alan (AUC) değeri elde etmiştir. Bu model, standardize edilmiş radiomics modellerini ve R.E.N.A.L. nefrometri skoru nomogramını geride bırakmıştır. Ayrıca, model yedi tecrübeli radyoloğun ortalama tanı performansını aşmıştır. Radyologlara modelin öngörü sonuçlarının sunulmasıyla, tanısal doğruluklarında anlamlı bir iyileşme gözlenmiştir. Model, katı tümörler, kistik tümörler ve küçük renal kitleler (SRM’ler) gibi alt gruplarda da robust performans sergilemiştir.
2. Agresiflik Tahmini: İkinci diagnostik model, indolent (benign ve indolent malign) ve agresif (malign ve agresif) renal tümörleri ayırt etmeyi hedeflemiştir. Model, prospektif test setinde 0.783 AUC değeri ile yüksek ayırt etme yeteneği göstermiştir. Bu model de radiomics modeli ve nefrometri skoru nomogramından daha üstün performans sergilemiştir. Özellikle SRM alt gruplarında, diğer kıyaslama modellerine kıyasla daha robust bir performans sergilemiştir.
3. Onkolojik Sağkalım Sonuçları: AI tarafından agresif olarak tahmin edilen tümörlere sahip hastalarda, indolent olarak tahmin edilen tümörlere kıyasla anlamlı derecede kötü sağkalım sonuçları saptanmıştır.
- Eksternal Test Seti 5 Yıllık Sağkalım Oranları:
- AI Tahminli İndolent Tümörler: Hastalığa Özgü Sağkalım (DSS): %99.6, Nüks-Serbest Sağkalım (RFS): %96.8, Genel Sağkalım (OS): %98.9.
- AI Tahminli Agresif Tümörler: DSS: %79.6, RFS: %74.6, OS: %79.
Çok değişkenli analizlerde, AI-agresiflik alt tipleri (agresif vs. indolent), TNM evresi ve ISUP derecesine göre düzeltme yapıldıktan sonra bile DSS, RFS ve OS için bağımsız bir advers risk faktörü olarak kalmıştır (Örn: Eksternal test setinde DSS için Tehlike Oranı (HR) = 5.80, p=0.008).
4. Prognostik Değer ve Biyolojik İlişkiler: Sürekli bir değişken olarak tanımlanan AI-agresiflik skoru, DSS, RFS ve OS’yi tahmin etmede, TNM evresi ve ISUP derecesi dahil diğer tüm risk faktörlerinden daha yüksek bir C-indeksi sergilemiştir.
Agresif tümörler ile indolent tümörler arasında genetik ve immünolojik farklılıklar belirlenmiştir. Agresif tümörler, SETD2 ve AHNAK2 mutasyonlarında artışla (AHNAK2 için p=0.029) ve immünsüpresif bir tümör mikroçevresi ile ilişkilendirilmiştir. Agresif tümörlerde CD8+ T hücreleri (p=0.051) ve Düzenleyici T hücreleri (Tregs) (p=0.041) infiltrasyonlarında belirgin artış gözlenirken, indolent tümörlerde ise mast hücrelerinde (p=0.019) artış saptanmıştır.
Sonuç
Bu çalışma, çok fazlı BT görüntülerine dayanan derin öğrenme temelli diagnostik modellerin, renal kitlelerin malign ve benign ayrımını yapmada (AUC 0.871) ve indolent lezyonları agresif tümörlerden ayırt etmede (AUC 0.783) yüksek doğruluk ve güçlü performans sergilediğini göstermiştir. Geliştirilen AI-agresiflik skoru, hastaların onkolojik sağkalımını tahmin etmede TNM evresi ve ISUP derecesi gibi geleneksel risk faktörlerinden daha üstün bir prognostik belirteç (C-indeksi) olduğunu kanıtlamıştır. Bu sonuçlar, derin öğrenme modellerinin, patolojik belirsizlik durumlarında, özellikle yaşlı veya komorbid hastalarda, aktif izlem, ablasyon veya radikal cerrahi gibi bireyselleştirilmiş tedavi kararlarını desteklemede kritik bir role sahip olduğunu ortaya koymaktadır. Agresif tümörlerin artmış SETD2 ve AHNAK2 mutasyonları ve immünsüpresif tümör mikroçevresi ile ilişkilendirilmesi, radyolojik agresiflik ile tümörün biyolojik davranışı arasındaki bağlantıyı da doğrulamaktadır.
