Dijital Patoloji ve Yapay Zeka: Kanser Tanısında Mikroskobun Ötesi

Patolog, dokuyu mikroskop altında inceleyerek kanserin var olup olmadığını, türünü ve derecesini belirleyen hekimdir. Bu karar, onkolojik tedavinin tüm zincirini başlatır. Ancak klasik patoloji, doğası gereği zorludur: tek bir prostat biyopsisi onlarca cam slayt üretebilir, her slaytta milimetre küpe sığan binlerce hücre vardır ve gözden kaçan küçük bir odak, tanıyı tümüyle değiştirebilir. İşte dijital patoloji ile yapay zekânın (YZ) buluşması tam da bu noktada devreye girer.

Önce Dijitalleşme: Tüm Slayt Görüntüleme (WSI)

Yapay zekânın patolojiye girebilmesinin ön koşulu, cam slaytın dijital görüntüye dönüştürülmesidir. Tüm slayt görüntüleme (whole slide imaging, WSI), bir slaytı yüksek çözünürlükte tarayarak gigapiksel boyutunda dijital bir dosya üretir. Bu dosya hem uzaktan incelenebilir (telepatoloji) hem de bir algoritmanın girdisi olabilir. ABD'de FDA, 2017'de ilk WSI sistemini birincil tanı için onaylayarak bu dönüşümün önünü açmıştır. Dijitalleşme tek başına bile değer üretir; arşivleme, ikinci görüş alma ve konsültasyon süreçlerini hızlandırır. Ancak asıl sıçrama, bu dijital slaytların üzerine eklenen YZ katmanıyla gelir.

Dönüm Noktası: Paige Prostate

Dijital patoloji YZ'sinin kilometre taşı, Paige Prostate'tir. 2021'de Paige Prostate, FDA'dan de novo pazarlama izni alarak dijital patolojide ilk FDA onaylı yapay zekâ ürünü oldu. Sistem, prostat biyopsisi slaytlarında kanser şüphesi taşıyan bölgeleri işaretleyerek patoloğa yardımcı bir ikinci okuyucu gibi davranır.

Klinik veriler dikkat çekicidir. Paige Prostate desteğiyle patologlar, kanseri doğru tanımada duyarlılıklarını yaklaşık %88,7'den %96,6'ya çıkarmış; bu da yanlış negatif (kaçırılan kanser) oranında yaklaşık %70 azalma ve yanlış pozitiflerde yaklaşık %24 azalma anlamına gelmiştir. Slayt görüntülerinde kanser saptama, yardımsız incelemeye kıyasla ortalama %7,3 artmıştır. Burada anahtar nokta, sistemin patoloğun yerine geçmemesi, onun gözden kaçırabileceği küçük odakları öne çıkararak performansını yükseltmesidir. 2025'te Paige Prostate ürün ailesi, Avrupa'da IVDR sertifikası da almıştır.

Platformlaşma: PathAI ve AISight Dx

Alandaki ikinci büyük eğilim, tek bir göreve özel algoritmadan uçtan uca dijital patoloji platformlarına geçiştir. PathAI'nin AISight Dx platformu, bu eğilimin öne çıkan örneğidir: 30 Haziran 2025'te FDA 510(k) iznini, klinik ortamda birincil tanı kullanımı için almıştır. Sistem, Hamamatsu NanoZoomer S360MD ve Leica Aperio GT 450 DX tarayıcılarıyla kullanılmak üzere onaylanmıştır.

AISight Dx, bulut-temelli bir görüntü yönetim sistemi olarak slayt yönetimi, eşzamanlı çoklu-slayt navigasyonu, canlı iş birliği ve YZ entegrasyonunu bir araya getirir. Dikkat çekici bir düzenleyici ayrıntı, onayın bir Önceden Belirlenmiş Değişiklik Kontrol Planı (PCCP) içermesidir; bu, üreticinin yeni tarayıcı, ekran veya dosya formatı gibi belirli güncellemeleri her seferinde yeni bir 510(k) başvurusu yapmadan uygulayabilmesine olanak tanır — yani "yaşayan" bir yazılım için düzenleyici esneklik. PathAI ayrıca HER2 gibi biyobelirteçlerin otomatik dijital skorlanması (AIM-HER2) için algoritmalar geliştirmektedir; bu, meme kanserinde tedavi seçimini doğrudan etkileyen, gözlemciler arası değişkenliği yüksek bir alandır.

Kanıt Tabanı: Patolog + Yapay Zeka

Tekil ürünlerin ötesinde, bağımsız çalışmalar da YZ destekli patolojinin değerini desteklemektedir. Örneğin mide kanseri tanısında derin öğrenme destekli patologların, tüm slayt görüntülerini yorumlarken eğri altı alanlarının (ROC-AUC) yardımsız okumaya kıyasla 0,863'ten 0,911'e yükseldiği bildirilmiştir (istatistiksel olarak anlamlı). Bazı dar tanımlı görevlerde — örneğin taşlı yüzük hücreli karsinom saptama — modeller test setlerinde 0,99'a varan AUC değerleri rapor etmiştir. Bu sonuçlar, doğru çerçevelenmiş ve iyi doğrulanmış görevlerde YZ'nin patolojik tanı performansına ölçülebilir katkı sağladığını göstermektedir.

Dijital patolojinin biyobelirteç tahmini boyutu da hızla gelişmektedir: zayıf denetimli (weakly supervised) derin öğrenme yöntemleriyle, yalnızca rutin boyalı (H&E) slaytlardan moleküler özelliklerin (ör. mikrosatellit instabilitesi) öngörülmesi üzerine güçlü bir literatür birikmektedir. Bu, gelecekte pahalı ve zaman alan bazı moleküler testlere bir ön-tarama katmanı sunabilir.

Engeller ve Dürüst Sınırlar

Dijital patolojinin önündeki engeller hem teknik hem operasyoneldir. Tarayıcı ve laboratuvar farklılıkları: boyama protokolü, tarayıcı markası veya kesit kalınlığındaki değişkenlik, modelin başka bir merkezde performansını düşürebilir; bu nedenle çok-merkezli doğrulama kritiktir. Altyapı maliyeti: WSI tarayıcıları, devasa depolama gereksinimi ve iş akışı entegrasyonu ciddi bir yatırım gerektirir; bu, dijital patolojinin yaygınlaşmasını radyolojiye kıyasla yavaşlatmıştır. Yorumlanabilirlik: bir algoritmanın neden "kanser" dediğini patoloğa açıklayabilmesi (ör. ısı haritaları) hem güven hem de yasal sorumluluk açısından önemlidir.

Bu nedenle bugünkü onaylı sistemlerin neredeyse tamamı, patoloğun nihai kararını verdiği bir karar-destek çerçevesinde konumlanır. Otonom patolojik tanı, ne düzenleyici ne de klinik açıdan bugünün gerçeği değildir.

Sonuç

Dijital patoloji ve yapay zekâ, kanser tanısında somut bir olgunluğa erişmiştir: Paige Prostate ile yanlış negatifleri belirgin azaltan ilk FDA onaylı patoloji YZ'si, AISight Dx ile birincil tanıya kadar genişleyen platformlar ve biyobelirteç skorlamada otomasyon. Değer önermesi nettir — patoloğu yormadan, gözden kaçabilecek olanı öne çıkaran ve nesnel ölçümler sunan bir ortak. Mikroskop hâlâ patoloğun elinde; ancak artık yanında, yorulmayan bir dijital göz var.