Bulgular, gelecekte radyoterapi planlamasını destekleyebilecek bir tahmin yöntemine işaret etti.
Beyin tümörlerinin radyoterapiye nasıl yanıt vereceğini tedavi başlamadan önce tahmin etmeyi amaçlayan yeni bir yapay zekâ araştırmasının sonuçları yayımlandı. Çin'deki Pekin Tiantan Hastanesi ve uluslararası araştırmacıların geliştirdiği GUARD-LGG adlı modelin performansı, farklı merkezlerden elde edilen hasta verileriyle değerlendirildi.
20 Ekim 2026 tarihinde npj Digital Medicine dergisinde yayımlanan araştırma, özellikle düşük dereceli gliom olarak adlandırılan beyin tümörlerine odaklandı.
Zihan Wang ve çalışma arkadaşları, radyoterapiye verilen yanıtın hastadan hastaya değişmesini dikkate alarak klinik bilgiler ve manyetik rezonans görüntülerinden yararlanan bir makine öğrenmesi modeli geliştirdi.
Tedaviye Yanıtın Önceden Bilinmesi Hedefleniyor
Gliomlar, beynin destek hücreleriyle ilişkili dokulardan kaynaklanan tümörler arasında yer alıyor.
Düşük dereceli gliomlar, en saldırgan beyin tümörlerinden farklı bir seyir gösterebilse de zaman içinde ilerleyebiliyor ve hastalarda uzun süreli takip gerektirebiliyor.
Cerrahi, radyoterapi ve ilaç tedavileri hastanın klinik özelliklerine göre değerlendiriliyor.
Radyoterapi, uygun hastalarda tümör büyümesini kontrol altına almak amacıyla uygulanabiliyor. Ancak aynı tedaviye bütün hastalar benzer düzeyde yanıt vermiyor.
Araştırmacıların amacı, radyoterapiye başlamadan önce hangi hastalarda daha olumlu veya daha sınırlı erken yanıt görülebileceğini öngörebilen bir sistem geliştirmekti.
Model Farklı Merkezlerden Hastalarla Test Edildi
GUARD-LGG modeli, büyük bir sağlık merkezinden elde edilen 963 hastanın verileri üzerinde geliştirildi ve kurum içi doğrulamadan geçirildi.
Ardından yedi bağımsız sağlık kuruluşundan gelen 187 hastanın verileri kullanılarak dış doğrulama gerçekleştirildi.
Araştırmanın bir başka aşamasında, kayıtlı bir klinik araştırmaya ileriye dönük olarak alınan 328 hastanın verileriyle ayrı bir test yapıldı.
Bu değerlendirmeler, modelin yalnızca geliştirildiği sağlık kuruluşunun verilerinde değil, farklı hasta gruplarında da çalışıp çalışmadığını incelemeyi amaçladı.
Dış Doğrulamada 0,882 AUC Değeri
Araştırmada yapay zekâ modelinin performansı AUC adı verilen bir ölçütle değerlendirildi.
Bu ölçüt, bir modelin farklı sonuçları birbirinden ayırt etme yeteneğini gösteriyor. Değerin 1'e yaklaşması, ayırt etme performansının yükseldiği anlamına geliyor.
GUARD-LGG'nin AUC değeri eğitim grubunda 0,946, kurum içi doğrulama grubunda 0,929 olarak hesaplandı.
Yedi bağımsız sağlık kuruluşundan elde edilen verilerle yapılan dış doğrulamada değer 0,882 oldu.
İleriye dönük test grubunda ise AUC 0,913 olarak belirlendi.
Bu sonuç, modelin farklı hasta gruplarında radyoterapiye erken yanıtı ayırt etme bakımından güçlü performans gösterebildiğine işaret ediyor.
Ancak AUC değerinin 0,913 olması, modelin hastaların yüzde 91,3'ünde mutlaka doğru tahmin yaptığı anlamına gelmiyor. Gerçek klinik kullanım performansının değerlendirilmesinde başka ölçütlerin de dikkate alınması gerekiyor.
MR Görüntülerindeki Ayrıntılar Kullanıldı
Araştırmacılar, yapay zekâ modelinin kararlarında hangi değişkenlerin etkili olduğunu da inceledi.
Hastanın yaşı, ameliyattan sonra kalan tümör dokusunun miktarı ve manyetik rezonans görüntülerinden çıkarılan bazı sayısal özellikler öne çıktı.
Özellikle T2 ağırlıklı görüntülerde tümör dokusunun yapısal farklılıklarını yansıtan özelliklerin ve T1 ağırlıklı kontrastlı görüntülerdeki değişimlerin tahmin performansına katkı sağladığı belirlendi.
Bu yaklaşım, görüntülerde hekimlerin değerlendirdiği bilgilerin yanı sıra bilgisayar ortamında ölçülebilen çok sayıda doku özelliğinin birlikte analiz edilmesine dayanıyor.
Model, bu değişkenleri bir araya getirerek radyoterapiye erken yanıt olasılığına ilişkin tahmin oluşturuyor.
Tedaviye Dirençle İlişkili Moleküler Bulgular
Araştırmada görüntüleme verileriyle tümörlerin biyolojik özellikleri arasındaki ilişkiler de incelendi.
Radyoterapiye daha olumsuz yanıt vereceği tahmin edilen tümörlerde, radyasyon direnciyle ilişkili bazı moleküler süreçlerin daha belirgin olduğu görüldü.
Ayrıca model tarafından olumsuz yanıt grubunda sınıflandırılan hastalarda genel sağkalım süresinin daha kısa olduğu bildirildi.
Ancak bu bulgular, yapay zekâ modelinin hastalığın ilerlemesine neden olan mekanizmaları kesin olarak belirlediği anlamına gelmiyor.
Görüntüleme özellikleri, genetik süreçler ve sağkalım arasındaki ilişkilerin farklı hasta gruplarında ayrıca doğrulanması gerekiyor.
Yapay Zekâ Henüz Tedavi Kararı Veren Bir Sistem Değil
Araştırma, kişiselleştirilmiş radyoterapi açısından yeni bir tahmin aracının geliştirilmesini sağladı.
Bununla birlikte, modelin kullanılmasıyla radyoterapi dozunun değiştirilmesinin, farklı bir tedavi seçilmesinin veya tedavi zamanlamasının yeniden düzenlenmesinin hastalara yarar sağladığı bu çalışmada kanıtlanmadı.
İleriye dönük test yapılmış olması, yapay zekâ tarafından yönlendirilen tedavi kararlarının standart yaklaşımlardan daha iyi olduğunu gösteren bir klinik deneyle aynı anlama gelmiyor.
Modelin farklı cihazlar, hasta toplulukları ve klinik uygulamalar üzerindeki performansının da değerlendirilmesi gerekiyor.
Kişiselleştirilmiş Tedavi İçin Yeni Araştırmalar Gerekiyor
Beyin tümörlerinde radyoterapiye yanıtın önceden değerlendirilmesi, gelecekte tedavi planlarının daha ayrıntılı hazırlanmasına yardımcı olabilir.
Ancak GUARD-LGG'nin rutin klinik kullanımda yer alabilmesi için gerçek tedavi kararlarında sağladığı yararın gösterilmesi gerekiyor.
Araştırma, yapay zekânın mevcut klinik veriler ve MR görüntülerinden yararlanarak radyoterapiye erken yanıtı tahmin edebildiğini ortaya koyarken, bu tahminlerin hasta sonuçlarını iyileştirip iyileştirmeyeceği sorusunu sonraki klinik çalışmaların yanıtlaması bekleniyor.
KAYNAKLAR
- npj Digital Medicine – GUARD-LGG: a Glioma Upfront AI-Driven Radiotherapy Response Decipher for Lower-Grade Glioma, 20 Ekim 2026
- Pekin Tiantan Hastanesi ve araştırmaya katılan uluslararası merkezler – Düşük dereceli gliomlarda radyoterapiye erken yanıt tahminine ilişkin çok merkezli araştırma
