InferVision
11 Mar 2025
Amerika Birleşik Devletleri'ndeki en büyük kırsal, kâr amacı gütmeyen sağlık hizmeti sistemi olan Sanford Health, üst Ortabatı'da hizmet verdiği 2,74 milyon kişiye uzman sağlık hizmetini daha yakın bir yere getirmeyi taahhüt ediyor. 56 hastane ve yaklaşık 300 klinikle, Sanford Health'in 4.500'den fazla doktor ve ileri düzey uygulama sağlayıcısından oluşan ağı, ileri düzey, genişletilmiş hizmetler sunmaya adanmıştır. Bu inovasyon taahhüdü, Sanford Health'in tanı ve hasta bakımını iyileştirmek için yapay zeka (AI) gibi son teknolojiyi araştırdığı araştırmaya kadar uzanıyor. Bismarck, ND'de Sanford Health araştırmacıları tarafından yürütülen ve Londra, İngiltere'deki The Royal College of Radiologists Global AI Konferansı'nda sunulan yakın tarihli bir çalışma, AI'nın kanser evrelemesinde kritik bir adım olan kanserli lenf düğümlerinin tespitinde devrim yaratma potansiyelini göstermiştir.
Çalışma, göğüs BT taramalarında patolojik lenf düğümlerini tespit etmek ve segmentlere ayırmak için tasarlanmış yapay zeka destekli bir algoritmanın geliştirilmesi ve değerlendirilmesine odaklandı. Lenf düğümleri, vücudun bağışıklık sisteminde önemli bir rol oynayan küçük, fasulye şeklindeki organlardır. Ancak, aynı zamanda kanser yayılımının bir yeri de olabilirler ve bu da etkili tedavi planlaması için doğru bir şekilde tanımlanmalarını hayati hale getirir. Göğüste akciğerler arasında bulunan mediastinal lenf düğümleri, düşük doku kontrastı ve boyut, şekil ve konumdaki doğal farklılıklar nedeniyle BT taramalarında görselleştirilmesi özellikle zordur. Bu zorluklar, atlanan teşhislere veya gecikmiş tedaviye yol açabilir.
Bu sorunu çözmek için Sanford Health araştırma ekibi, ortakları Infervision tarafından geliştirilen ve bir RetinaNet tespit algoritmasını (omurgası olarak ResNet50 kullanan) UNet segmentasyon modeliyle birleştiren bir AI sistemi kullandı. AI, 1.600 göğüs BT taramasından oluşan büyük bir veri kümesi üzerinde eğitildi ve bu sayede hem sağlıklı hem de kanserli lenf düğümlerinin ince desenlerini ve özelliklerini öğrenmesi sağlandı. Bu kapsamlı eğitim verisi AI'nın doğruluğu ve güvenilirliği için çok önemlidir.
AI'nın performansı daha sonra, kurul onaylı radyologların dikkatlice not aldığı 211 BT taramasından oluşan ayrı bir set kullanılarak titizlikle test edildi. Bu retrospektif veri seti, AI'nın bulgularının karşılaştırılabileceği bir ölçüt sağladı. Çalışma, genel hasta sonuçlarına odaklanmak yerine, AI'nın belirli lenf nodu bölgelerindeki anormallikleri tespit etme yeteneğinin değerlendirildiği anlamına gelen "istasyon bazında geri çağırma" yöntemini kullandı. Bu yaklaşım, radyologların pratikte BT taramalarını nasıl analiz ettiğini yansıttığı için AI'nın performansının klinik olarak daha alakalı bir değerlendirmesini sağlar.
Çalışmanın sonuçları oldukça cesaret vericiydi. AI sistemi %93,1'lik umut verici bir istasyona özgü hassasiyete ulaştı, bu da belirtilen bölgelerdeki kanserli lenf düğümlerinin %93,1'ini doğru bir şekilde tanımladığı anlamına geliyordu. Pratik açıdan bu, AI'nın yalnızca 28'ini atlayarak 378 gerçek pozitif vakayı doğru bir şekilde tanımlaması anlamına geliyordu. AI 46 yanlış pozitif üretmiş olsa da, iyi huylu düğümleri veya diğer yapıları kanserli olarak tanımlasa da, bu oran nispeten düşüktür ve önceki algoritmalara göre önemli bir gelişmeyi temsil eder. Daha da önemlisi, AI modeli, %52,9 ile %95,5 arasında değişen önceki algoritmaların hassasiyetini korudu veya hatta aştı ve aynı anda yanlış pozitif sayısını azalttı.
Bu iyileştirme muhtemelen bu çalışmada kullanılan daha büyük eğitim veri kümesine atfedilebilir. Bu bulguların çıkarımları önemlidir. Bu AI destekli araç, kanser evrelemesinin doğruluğunu ve verimliliğini önemli ölçüde iyileştirme potansiyeline sahiptir. Radyologlara kanserli lenf düğümlerini tanımlamada yardımcı olarak, AI daha erken teşhislere, daha kişiselleştirilmiş tedavi planlarına ve nihayetinde daha iyi hasta sonuçlarına katkıda bulunabilir. Çalışmada kullanılan istasyona özgü yaklaşım, AI'nın performansının klinik olarak daha alakalı bir değerlendirmesini sağlayarak gerçek dünya uygulaması için potansiyelini daha da güçlendirir.
Bu sonuçlar ümit verici olmakla birlikte araştırmacılar, teknolojinin daha da geliştirilmesi ve daha geniş klinik uygulamalarının doğrulanması için daha geniş çaplı çalışmalara ihtiyaç duyulduğunu vurguluyor.
Yapay zekayı klinik iş akışına entegre etmek, kusursuz ve etkili bir şekilde uygulanmasını sağlamak için dikkatli planlama ve test gerektirir. Ancak, Sanford Health araştırmacıları tarafından yürütülen çalışma, kanserle mücadelede önemli bir adım ileriyi temsil ediyor ve yapay zekanın teşhis yeteneklerini geliştirme ve hasta bakımını iyileştirme gücünü gösteriyor. Teknoloji gelişmeye devam ettikçe, bunun gibi yapay zeka odaklı çözümler sağlık hizmetlerini dönüştürmek ve sayısız bireyin hayatını iyileştirmek için muazzam bir potansiyele sahip.