Habitat MRI Imaging (Habitat Görüntüleme) nedir?

Habitat MRI Imaging (Habitat Görüntüleme), tümörlerin içindeki mekansal heterojenliği (heterogeneity) non-invaziv olarak haritalamak ve ölçmek için kullanılan gelişmiş bir multiparametrik MRI (mpMRI) analiz tekniğidir. Ekolojik bir kavram olan “habitat”tan (organizmaların yaşadığı mikroçevre) uyarlanmıştır: Tümör, homojen bir kitle değil; farklı hücre popülasyonları, vaskülarite, hücresellik, hipoksi ve metabolik özelliklere sahip alt bölgelerden oluşan bir ekosistem olarak ele alınır. Bu alt bölgeler (“imaging habitats”) benzer MRI özelliklerine sahip voksel grupları olarak tanımlanır.

Teknik, özellikle onkolojide (prostat, meme, glioblastoma, hepatoselüler karsinom, özofagus kanseri vb.) tanı, grade tahmini, tedavi yanıtı öngörüsü ve prognoz değerlendirmesinde hızla gelişmektedir.

Temel Prensip ve Tanım

Kanserlerde belirgin mekansal heterojenlik vardır: Anatomik, fizyolojik ve moleküler düzeyde tümör içinde farklı bölgeler oluşur. Klasik radyomik yaklaşımlar tüm lezyonu tek bir “ortalama” özellik setiyle özetlerken, habitat imaging bu heterojenliği koruyarak alt bölgelere ayırır.

Imaging habitats, genellikle birden fazla MRI biyobelirteci (örneğin ADC haritasından hücresellik, DCE-MRI’dan farklı parametreleri  görüntülerden yapısal özellikler) kullanılarak tanımlanan, benzer görüntüleme karakteristiklerine sahip tümör alt bölgeleridir. Bu bölgeler, tümörün lokal mikroçevre koşullarını (yüksek hücresellik + yüksek perfüzyon, hipoksik-nekrotik alanlar vb.) yansıtır.

Teknik Süreç

1. Multiparametrik MRI Verisi Toplama: Standart sekanslar (T2WI, DWI/ADC, DCE-MRI, bazen IVIM veya CE-T1WI) kullanılır. Voksel düzeyinde nicel parametre haritaları oluşturulur.

2. Ön İşleme: Görüntü kayıt (registration), normalizasyon ve ROI (region of interest) belirleme. Tümör hacmi manuel veya otomatik segmentasyonla çıkarılır.

3. Kümeleme (Clustering): Denetimsiz öğrenme algoritmaları (en sık K-means veya Gaussian Mixture Model – GMM) ile voksel özellikleri çok boyutlu uzayda gruplanır. Optimal küme sayısı (k=3–9 arası sık) elbow yöntemi, silhouette skoru veya biyolojik anlamlılıkla belirlenir.

   • Örnek: Prostat kanserinde ADC (hücresellik), perfüzyon ve yapısal karmaşıklık parametreleriyle 3 habitat tanımlanabilir.
   • Habitat 1: Yüksek hücresellik + yüksek kan perfüzyonu + yüksek yapısal karmaşıklık → yüksek grade ile ilişkili.

4. Habitat Haritalarının Oluşturulması ve Analizi: Her habitatın hacim fraksiyonu (volume fraction), konumsal dağılımı (merkezi/periferik) ve radiomik özellikleri çıkarılır. Zaman içinde (longitudinal) değişimler izlenebilir.

İki ana yaklaşım vardır:

• One-step: Tüm parametreler birlikte kümelenir.
• Two-step: Önce yapısal, sonra fonksiyonel habitatlar oluşturulur.

Klinik Uygulamalar ve Kanıtlar

Prostat Kanseri

• Yüksek grade (ISUP ≥4) lezyonları non-invaziv öngörmede etkilidir. Habitat 1 (yüksek hücresellik/perfüzyon/karmaşıklık) %92,6 tespit oranı göstermiştir.
• Habitat Imaging–Clinical Imaging (HICI) modeli (AUC 0,87) klasik klinik-görüntüleme modelini (AUC 0,81) geride bırakmıştır. PSA, PI-RADS ve Habitat 1 oranı bağımsız risk faktörleridir.
• PCa ile BPH ayırımında da habitat analizi üstün performans sağlar (AUC ~0,88–0,90).

Meme Kanseri

• Neoadjuvan kemoterapiye patolojik tam yanıt (pCR) öngörüsünde IVIM tabanlı habitatlar kullanılır.
• Nüks riski stratifikasyonunda yapısal habitat fenotipleri (SH-phenotypes) bağımsız prognostik değer taşır. Merkezi ve periferik subregion’lar farklı radiomik paternler gösterir.
• HER2+ modellerde vaskülarite ve hücresellik habitatları tedavi duyarlılığını (trastuzumab + paklitaksel) ayırt eder.

Glioblastoma ve Diğer Beyin Tümörleri

• Perfüzyon (rCBV) ve difüzyon (ADC) habitatları IDH mutasyon durumu ve sağkalımı öngörür. Yüksek FLAIR + yüksek rCBV + düşük ADC örtüşmesi nüks riskini artırır.
• Tedavi yanıtının bölgesel izlenmesi ve kişiselleştirilmiş radyoterapi planlaması için uygundur.

Diğer Kanserler

• Hepatoselüler karsinom (HCC): TACE öncesi habitat modeli 2 yıllık progresyonsuz sağkalımı öngörür.
• Özofagus kanseri: Neoadjuvan kemoradyoterapi sonrası pCR tahmininde habitat hacim fraksiyonları AUC ~0,82 performans gösterir.
• Uterus sarkomu: Multiparametrik habitatlar atipik leiomyomdan ayırımda yardımcı olur.

Avantajlar

• İntra-tümöral heterojenliği “açıklanabilir” şekilde görselleştirir (black-box radyomikten daha yorumlanabilir).
• Tedavi yanıtını bölgesel düzeyde izler; dirençli habitatlara boost radyoterapi planlanabilir.
• Patolojiyle korelasyon potansiyeli yüksektir (preklinik çalışmalarda histoloji ile eşleştirme başarılıdır).
• Kişiselleştirilmiş tıp ve klinik karar destek sistemlerine entegrasyona uygundur.

Zorluklar ve Sınırlılıklar

• Standartizasyon eksikliği: Küme sayısı, parametre seçimi, normalizasyon yöntemleri merkezler arası değişir.
• Kayıt ve co-registration hataları: Özellikle longitudinal veya multimodal verilerde.
• Patolojik validasyon: Habitatların gerçek biyolojik karşılıklarının (hipoksi, vasküler yoğunluk, immün infiltrasyon) büyük ölçekli doğrulanması gerekir.
• Reproducibility: Farklı tarayıcılar ve protokoller sonucu etkiler.
• Hesaplama yükü ve yazılım erişilebilirliği henüz sınırlıdır.

Gelecek Perspektifi

Habitat imaging, radyomikle birleştirildiğinde (habitat-radiomics) daha güçlü modeller üretmektedir. Yapay zeka destekli otomatik segmentasyon, derin öğrenme tabanlı kümeleme ve multi-omik entegrasyon (genomik + görüntüleme) ile klinik rutine girmesi beklenmektedir. Açık klinik çalışmalar devam etmekte olup, özellikle radyoterapi planlaması ve erken tedavi yanıtı değerlendirmesinde kritik rol oynayabilir.

Özetle, Habitat MRI Imaging, tümör mikroçevresini “ekosistem” olarak gören ve bu ekosistemin alt bölgelerini haritalayan güçlü bir araçtır. Heterojenliğin klinik kararlara yansımasını sağlayarak onkolojide daha hassas, kişiselleştirilmiş yaklaşımlara kapı aralamaktadır. Konu hızla geliştiği için güncel literatürün (2024–2025 yayınları) takibi önerilir.