Yapay Zekânın Hekimlerin Prostat Kanseri Yayılımını Belirleme Yeteneğini İyileştirmesi: Multireader Multicase

Giriş

Prostat kanserinin (PCa) hedefe yönelik tedavisinde, temel klinik hedef, klinik olarak anlamlı hastalığı tedavi ederken sağlıklı dokuya verilen hasarı en aza indirmektir. Ancak, konvansiyonel manyetik rezonans görüntüleme (MRI), hastalık yayılımını sistematik olarak olduğundan düşük tahmin etmekte ve bu durum tedavi kararlarını karmaşık hale getirmektedir. Özellikle fokal tedavi uygulamalarının başarısı, kanser yayılımının doğru bir şekilde konturlanmasına bağlıdır. Yapay zekâ (YZ) teknolojisi, multimodal verilerden yararlanarak 3 boyutlu (3D) kanser risk haritası çıkararak bu sınırlamayı aşma potansiyeli sunmaktadır.

Bu çalışma, hekimlerin Yapay Zekâ destekli yöntemle elde ettikleri tümör sınır delineasyonlarını, standart tedavi (SOC) yöntemine (yani, klinik muhakemeye) göre karşılaştırmayı ve YZ’nin tedavi karar verme süreçleri üzerindeki etkisini değerlendirmeyi amaçlamıştır. SOC konturlama, cerrahların görüntüleme, patoloji ve klinik faktörleri zihinsel olarak birleştirmesini gerektiren karmaşık bir süreç olup, PCa yayılımının sistematik olarak yetersiz tahmin edilmesine yol açmaktadır.

Yöntem

Bu retrospektif, multireader multicase çalışması, 5 farklı kurumdan 2 ila 23 yıl arasında deneyime sahip 10 hekim (7 ürolog ve 3 radyolog) tarafından yürütülmüştür. Çalışmaya, MRI hedefli biyopsi ile orta riskli PCa tanısı almış ve radikal prostatektomi geçirmiş, fokal tedaviye uygun olduğu düşünülen 50 olgu dâhil edilmiştir.

Referans Gerçeklik: Cerrahi spesimenlerden elde edilen tüm kesit (whole mount, WM) histopatoloji preparatları MRI görüntülerine kaydedilerek referans gerçeklik olarak kullanılmış ve klinik olarak anlamlı prostat kanserinin (csPCa) gerçek yayılımını temsil etmiştir.

Konturlama Prosedürü:

1. SOC Konturlama: Hekimler ilk olarak, T2 ağırlıklı MRI, şüpheli bölgelerin (ROI) konturları ve biyopsi patoloji raporları gibi geleneksel tanı verilerini kullanarak, manuel olarak tümör sınırlarını çizmişlerdir.
2. YZ-Destekli Konturlama: Dört haftalık bir yıkanma periyodundan sonra, aynı olgular YZ yazılımı kullanılarak tekrar konturlanmıştır. YZ yazılımı (Avenda Health, “Unfold AI”), T2-ağırlıklı MRI, simüle edilmiş 3D biyopsi çekirdek konumları, PSA ve biyopsi Gleason Grade Group verilerini kullanarak csPCa olasılığını gösteren bir 3D Kanser Tahmin Haritası oluşturmuştur. Hekimler, bu haritayı kullanarak bir eşik değeri seçmişlerdir.
3. Karşılaştırma Ölçütleri: Birincil sonuç ölçütleri, voksel (volumetrik piksel) tabanlı dengeli doğruluk (duyarlılık ve özgüllüğün ortalaması) ve tüm csPCa bölgelerini çevreleyen konturların oranını gösteren negatif marjin oranı olarak belirlenmiştir. Ayrıca, bir alt grupta (N=7), SOC ve YZ-destekli konturlama sonrası önerilen tedavi stratejilerindeki değişiklikler incelenmiştir.

Bulgular

Kontur Performansı: YZ-destekli kanser konturları, hem SOC hem de hemigland konturlarına kıyasla üstün bir performans sergilemiştir:

1. Dengeli Doğruluk: YZ-destekli konturların ortalama dengeli doğruluğu %84.7 olup, bilişsel olarak tanımlanan SOC konturlarının (%67.2) ve hemigland konturlarının (%75.9) anlamlı ölçüde üzerindedir (P < .0001).
2. Negatif Marjin Oranı: YZ-destekli konturlarla ulaşılan negatif marjin oranı %72.8 iken, SOC konturlarında bu oran yalnızca %1.6 olarak bulunmuştur (P < .0001). Bu, YZ kullanımıyla negatif marjin oranında 45 kat artışa işaret etmektedir.
3. Duyarlılık ve Özgüllük:
   • Duyarlılık (Sensitivite): YZ (%97.4) SOC’den (%38.2) anlamlı ölçüde daha yüksektir (P < .0001).
   • Özgüllük (Spesifisite): YZ (%72.1) hemigland konturlarından (%53.4) anlamlı ölçüde daha spesifik bulunmuştur (P < .0001). SOC konturlarının özgüllüğü (%96.2) ise en yüksek olmuştur.
4. İşlem Süresi ve Değişkenlik: Kanser konturlarını oluşturmak için gereken süre, YZ kullanımıyla (ortalama 2.0 dakika) SOC’ye (ortalama 3.5 dakika) göre azalmıştır (P < .0001). Ayrıca, YZ-destekli konturlar SOC’ye kıyasla daha düşük okuyucular arası değişkenlik göstermiştir.

Klinik Karar Verme Üzerindeki Etki: YZ yazılımının kullanımı, olguların %42’sinde (ürologlarda %28, radyologlarda %61) tedavi önerilerinin değişmesine yol açmıştır (P < .001). Ürologlar, YZ yardımı sonrasında fokal tedaviyi daha sık (%12.5 SOC’den %21.5 YZ-destekliye) ve radikal prostatektomiyi daha az (%58.0 SOC’den %52.0 YZ-destekliye) önerme eğilimi göstermişlerdir.

Sonuçlar

YZ-destekli kanser konturlama, hekimler tarafından elde edilen konturlama doğruluğunu ve negatif marjin oranını önemli ölçüde artırarak, prostat kanseri yayılımının sistematik olarak yetersiz tahmin edilmesini azaltmaktadır. YZ-destekli konturlar, yüksek duyarlılık sağlarken, aynı zamanda hemigland konturlarına göre daha spesifik ve hacim olarak daha küçük kalmıştır.

Bu teknolojinin artan doğruluğu, tedavi planlamasını ve hedeflemeyi geliştirme, potansiyel olarak onkolojik etkinliği artırma yeteneğine sahiptir. YZ yardımı, klinik karar verme süreçlerini etkilemiş ve klinisyenleri, özellikle fokal terapiyi, tüm bez tedavisine kıyasla daha sık önermeye teşvik etmiştir. Bu durum, YZ’nin hasta yönetim stratejisini ve hasta seçimi güvenilirliğini iyileştirme potansiyelini göstermektedir. Gelecekteki çalışmalar, bu YZ konturlarının prospektif klinik uygulamadaki etkisini ve daha çeşitli hasta popülasyonlarındaki validasyonunu içerecektir.