Meme Kanseri Teşhis, Tedavi ve Prognozunda Derin Öğrenme ve Görselleştirme Teknolojileri: Kapsamlı Değerlendirme Raporu

Özet

Meme kanseri, küresel ölçekte kadınlar arasında en sık teşhis edilen malignant tümör türü olup kadın kanserlerinin çeyreğinden fazlasını (%25'ten fazlasını) oluşturmaktadır. 2020 yılı itibarıyla dünya genelinde 2,3 milyondan fazla kadına meme kanseri teşhisi konulmuş olup hastalık kadın ölümlerinin başlıca nedenleri arasında yer almaya devam etmektedir. Erken evre meme kanseri teşhisi konulan hastaların yaklaşık %30'u 10 yıl içinde nüks tecrübe etmektedir. Meme kanserinin yüksek heterojenliği; teşhis, tedavi ve prognostik değerlendirme süreçlerinde ciddi zorluklar yaratmaktadır. Geleneksel histopatolojik analizlerin ve moleküler testlerin yüksek maliyeti, erişim kısıtlılığı ve patologlar arasındaki gözlemci içi/gözlemciler arası subjektif değerlendirme farkları, yanlış tedavi stratejilerine ve hastaların yaşam kalitesini olumsuz etkileyen komplikasyonlara yol açabilmektedir.

Yapay zeka ve özellikle Derin Öğrenme (DL) teknolojileri, medikal görüntüleme ve dijital patolojide otomatik, standartlaştırılmış ve yüksek hassasiyetli çözümler sunarak bu klinik zorlukların aşılmasında devrim niteliğinde potansiyel sergilemektedir. Bu rapor, evrişimsel sinir ağları (CNN), Vision Transformer (ViT), üretken çekişmeli ağlar (GAN) ve Fisher Bilgi Ağları (FIN) gibi ileri düzey modellerin meme kanseri teşhisi, moleküler tiplendirmesi, prognostik tahmini ve klinik karar destek mekanizmalarındaki rolünü sentezlemektedir.

Öne Çıkan Temel Bulgular:

• Teşhis ve Sınıflandırma Başarısı: ResNet, Faster-RCNN, RetinaNet ve YOLO mimarileri tümör saptanması ve lezyon segmentasyonunda %93 ila %99.7 arasında değişen doğruluk oranlarına ulaşmıştır. Aksiller lenf nodu metastazı tespitinde DL modelleri 0.99 AUC değerine ulaşarak insan uzmanların (AUC 0.88) performansını geride bırakmıştır.
• Kızılötesi Termografi ve Yerel Soğutma: Kızılötesi termal görüntüleme modelleri (Inception V3/V4 ve modifiye Inception MV4), dokuya uygulanan yerel soğutma jeli sayesinde doku kontrastını artırarak %100'e yakın teşhis doğruluğuna ulaşmıştır. Akıllı telefon ve bulut tabanlı öz-tespit araçları teşhis raporlarını 6 saniyede üretebilmektedir.
• Prognostik Tahmin ve Moleküler Tiplendirme: DL modelleri; ER/PR reseptör durumunu (%91-%98 doğruluk), HER2 ekspresyonunu (%97.9 doğruluk), Ki-67 proliferasyon indeksini ve Homolog Rekombinasyon Eksikliğini (HRD, AUC 0.86) doğrudan H&E (Hematoksilen-Eozin) boyalı doku kesitlerinden tahmin edebilmektedir. Tümör İçi Lenfositlerin (TILs) ve Nottingham Histolojik Derecesinin (NHG 2/DeepGrade) DL ile analizi, hastaların sağkalım ve nüks risklerini yüksek hassasiyetle öngörmektedir.
• Açıklanabilir Yapay Zeka ve "Bana Benzer Hasta" (Patient-Like-Me) Yaklaşımı: Kara kutu (black-box) problemini aşmak ve klinik güveni sağlamak amacıyla geliştirilen Fisher Bilgi Ağları (FIN), ResNet50 tarafından çıkarılan evrişimsel özellikleri düşük boyutlu Riemannian uzayından Öklid uzayına haritalandırarak net kümelemeler oluşturmaktadır. Bu model, özellikle sınırda kalan (BI-RADS 4 gibi) lezyonlarda komşu hastalarla klinik benzerlikleri görselleştirerek gereksiz biyopsileri ve aşırı teşhisi (overdiagnosis) azaltmaktadır.

1. Giriş ve Temel Derin Öğrenme Mimarileri

Meme kanseri yönetiminde dijital patoloji ve medikal görüntü analizleri, makro düzeydeki doku mimarisinden mikro düzeydeki hücresel ve moleküler değişimlere kadar geniş bir veri yelpazesini işlemektedir. Derin Öğrenme, Çok Katmanlı Yapay Sinir Ağları (ANN) aracılığıyla ham verilerden karmaşık ve hiyerarşik öznitelikleri otomatik olarak çıkararak karmaşık kalıpları öğrenmektedir.

Temel Derin Öğrenme Algoritmaları

1. Evrişimsel Sinir Ağları (CNN): Görsel veri işlemede en yaygın kullanılan mimaridir. Biyolojik görsel sistemi taklit eden CNN'ler; kenar ve doku gibi yerel özellikleri çıkaran evrişim katmanları (convolutional layers), hesaplama karmaşıklığını azaltan havuzlama katmanları (pooling layers) ve sınıflandırmayı gerçekleştiren tam bağlantılı katmanlardan (fully connected layers) oluşur.
   • ResNet (ResNet18, 34, 50, 101, 152): Artık bloklar (residual blocks) ve atlama bağlantıları (skip connections) kullanarak derin ağlardaki kaybolan gradyan (vanishing gradient) problemini çözer.
   • VGG (VGG16, VGG19): Sabit 3x3 evrişim çekirdekleri ve 2x2 havuzlama katmanlarıyla derin ve basit bir mimari sunar; önceden eğitilmiş model olarak transfer öğrenmede yaygındır.
   • GoogleNet / Inception (v1, v2, v3, v4, Inception-ResNet): Farklı ölçeklerdeki evrişim filtrelerini aynı katmanda birleştirerek performans ve işlem verimliliğini artırır.
   • U-Net: Kodlayıcı (encoder) ve kod çözücü (decoder) arasında atlama bağlantılarına sahip olup medikal görüntü segmentasyonunda altın standarttır.
2. Transformer ve Vision Transformer (ViT): Doğal dil işlemeden bilgisayarlı görüye aktarılan Transformer yapısı, öz-dikkat (self-attention) mekanizmasıyla görüntünün parçaları arasındaki küresel bağımlılıkları yakalar. CNN ile birleştirildiğinde hem yerel hem küresel özellikleri eşzamanlı işler.
3. Üretken Çekişmeli Ağlar (GAN): Üreteç (generator) ve ayırt edici (discriminator) ağların alternatif eğitimiyle yüksek kaliteli Sentetik Medikal Görüntü Üretimi gerçekleştirir.
4. Tekrarlayan Sinir Ağları (RNN): Zaman serileri ve 3D hacimsel medikal görüntüler gibi sıralı verilerin işlenmesinde dahili hafıza mekanizmasıyla öne çıkar.
5. Derin Pekiştirmeli Öğrenme (DRL): Beklenen ödülü en üst düzeye çıkarmak amacıyla DL ve pekiştirmeli öğrenmeyi birleştirir; medikal görüntülerde işaretleyici tespiti ve lezyon segmentasyonunda kullanılır.

Derin Öğrenme İş Akış Süreci

Derin öğrenme modellerinin klinik uygulamaya aktarılması beş temel aşamadan oluşur:

1. Veri Hazırlığı ve Ön İşleme: Çoklu kaynaklardan veri toplama, gürültü/aykırı değer temizleme, döndürme/ölçekleme ile veri artırma (data augmentation) ve normatif ölçeklendirme.
2. Model Seçimi ve Tasarımı: Göreve uygun mimarinin belirlenmesi (örn. görüntü sınıflandırma için CNN, dizileme için RNN, segmentasyon için U-Net).
3. Model Eğitimi ve Optimizasyonu: İleri besleme, kayıp fonksiyonu (loss function) hesaplama, geri yayılım (backpropagation) ve Stokastik Gradyan İnişi (SGD) ile parametre güncellemeleri.
4. Değerlendirme ve Doğrulama: Doğruluk (accuracy), kesinlik (precision), duyarlılık/çağırma (recall), F1 skoru ve çapraz doğrulama (cross-validation) yöntemleriyle modelin aşırı öğrenme (overfitting) durumunun denetlenmesi.
5. Model Yayılımı ve Canlıya Alma: Gerçek zamanlı klinik ortamlara entegrasyon, çalışma hızı optimizasyonu, açıklanabilirlik ve veri güvenliği denetimleri.

2. Teşhis, Sınıflandırma ve Tıbbi Görüntüleme Uygulamaları

Histopatolojik incelemelerde uzman patolog sayısının yetersizliği ve artan iş yükü, tanıda gecikmelere ve subjektif hatalara yol açabilmektedir. DL modelleri, Tam Slayt Görüntüleri (WSI), Dijital Mamografi (DM), Dijital Göğüs Tomosentezi (DBT), Manyetik Rezonans Görüntüleme (MRI) ve Ultrason (US) verileri üzerinde otomatik analiz gerçekleştirmektedir.

[Veri Toplama: WSI, MRI, US, Mamografi] 
       │
       ▼
[Ön İşleme & Veri Artırma] 
       │
       ▼
[Derin Öğrenme Modeli: CNN / ViT / YOLO]
       │
       ├───────────────────────┼───────────────────────┐
       ▼                       ▼                       ▼
[Teşhis & Sınıflandırma]   [TNM Evreleme]       [Termografik Tarama]
 (Tümör/İnvazivlik)       (Lenf Nodu Metastazı)  (Isı Dağılımı/Soğutma Jeli)

Tümör Tespiti ve Sınıflandırma Performansları

• WSI İnvaziv Duktal Karsinom Tespiti: Cruz-Roa ve arkadaşları tarafından eğitilen CNN modeli, WSI plakalarında piksel düzeyinde 0.76 F1 skoru elde etmiştir. Han ve ekibi, BreaKHis veri seti üzerindeki 8 farklı iyi/kötü huylu tümör sınıfında %93.2 doğruluk başarısı göstermiştir.
• Nesne Tespiti Modelleri (Faster-RCNN, RetinaNet, YOLO):
  • Faster-RCNN: Yap ve ark. mamografi kütle teşhisinde RGB görüntülerle 0.9572 duyarlılık, 0.9020 kesinlik ve 0.9288 F1 skoru yakalamıştır. Agarwal ve ekibi, Tam Saha Dijital Mamogramlarda (FFDM) INbreast veri setinde kötü huylu lezyon tanısında 0.99 doğruluk oranı elde etmiştir.
  • 3D RetinaNet: Ayatollahi ve arkadaşları ultra hızlı DCE-MRI dizilimlerinde 572 lezyonluk veri setinde 0.95 duyarlılık ve 0.90 lezyon tespit oranına ulaşmıştır. Ueda ve ekibi mamografi görüntülerinde benign/malign ayrımında 0.93 AUC başarımına erişmiştir.
  • YOLO / YOLO-LOGO: Al-Masni ve ekibi DDSM veri setinde kütle konumlarını %99.7 doğrulukla tespit etmiş, benign/malign lezyonları %97 doğrulukla sınıflandırmıştır. Su ve ark. geliştirdikleri YOLO-LOGO mimarisiyle CBIS-DDSM veri setinde %95.7 doğru pozitif oranı ve %74.5 segmentasyon F1 skoru kaydetmiştir.

Lenf Nodu Metastazı, Derecelendirme ve Evreleme

• Lenf Nodu Metastazı Teşhisi: Bejnordi ve arkadaşlarının geliştirdiği 7 derin öğrenme algoritması, 11 uzmandan oluşan patolog grubunu geride bırakarak 0.99 AUC değerine (patologların ortalama AUC'si: 0.88) ulaşmıştır.
• TNM Evrelemesi: Chen ve ekibi, lenf nodu görüntülerindeki metastatik kanser hücrelerini DL ile analiz ederek TNM evrelemesini 0.99 AUC değeriyle optimize etmiştir.
• Histolojik Derecelendirme ve Nükleer Hücre Segmentasyonu: Veta ve ark. mitotik figür tespitinde 10 katmanlı CNN ile 0.61 F1 skoru elde etmiştir. Rexhepaj ve ekibi IHC boyalı nükleer ER/PR ekspresyon kantitasyonunda algoritma ile manuel ölçüm arasında 0.9 korelasyon sağlamıştır.

Termal Görüntüleme ve Yerel Soğutma Teknolojileri

Kızılötesi termografi, tümör dokularındaki yüksek metabolik aktiviteye bağlı ısı artışını radyasyonsuz ve non-invaziv olarak saptar.

• Soğutma Jeli ve Doku Fiziği: COMSOL simülasyonları ve Pennes biyoisı denklemi analizlerine göre, tümörlü ve tümörsüz meme derisi arasındaki sıcaklık farkı 0.274 °C ile 2.58 °C arasında değişmektedir. Lezyon derinliği arttıkça yüzey ısı farkı azalır (2 cm derinlikte ~1 °C ısı artışı, 10 cm derinlikte 0.98 °C).
• Kontrast Artırma: Deriye yerel soğutma jeli uygulanması, 10 cm derinlikteki tümörlerde bile 6 °C'lik bir sıcaklık gradyanı oluşturarak termal kontrastı dramatik şekilde artırır ve yanlış pozitiflikleri engeller.
• Model Başarıları: Inception V3, V4 ve modifiye Inception MV4 modelleri renkli termal görüntülerde %100'e yakın doğruluk üretmiştir. Al Husaini ve ekibinin geliştirdiği akıllı telefon-kızılötesi kamera-bulut entegrasyonu, termal görüntü analizi raporunu 6 saniyede teslim etmekte ve aktarım kaynaklı sapmaları %1 sınırında tutmaktadır. Real-time video akışlarında soğutma jeli entegrasyonu, Inception MV4 modelinin tespit doğruluğunu %100 seviyesine çıkarmıştır.

3. Moleküler Tiplendirme ve Prognostik Tahmin

Meme kanserinin molecular alt tipleri (Hormon Reseptörü Pozitif [HR+], HER2+ ve Üçlü Negatif [TNBC]); tedavi yanıtı ve sürveyans planlamasını doğrudan belirler. DL, klasik H&E doku kesitlerinden genetik ve moleküler profilleri öngörebilmektedir.

Biyobelirteç ve Moleküler Statü Değerlendirmesi

• Hormon Reseptörleri (ER / PR): Shamai ve ark. geliştirdikleri Morpholoy-Based Molecular Profiling (MBMP) tekniği ile H&E görüntülerinden ER ve PR ekspresyonunu %91-%98 doğrulukla (AUC 0.92) tahmin etmiştir. Couture ve ekibi ER durumunu %84 doğrulukla öngörmüştür.
• Ki-67 Proliferasyon İndeksi: Fulawka ve ekibi, derin öğrenme ile nükleer segmentasyonu optimize ederek Ki-67 indeks tahminindeki Ortalama Mutlak Hatayı (MAE) 0.058'den 0.034'e düşürmüştür. Lee ve ark., yüksek Ki-67 seviyesinin kemoterapi almayan düşük genomik riskli grupta artmış nüks riski (HR = 2.51; P = 0.008) ve sekonder endokrin direnci (OR = 2.49) ile ilişkili olduğunu göstermiştir.
• HER2 Statüsü: Che ve arkadaşları IHC 0 ve 3+ görüntülerinde HER2 varlığını %97.9 doğrulukla tespit etmiştir. Quan ve Meng ark. ultrason videolarını DL Radiomics (DLR) ile işleyerek HER2 durumunu 0.810 AUC ve 0.917 özgüllükle tahmin etmiştir. Farahmand ve ekibi WSI görüntülerinden HER2 statüsünü 0.81 AUC, trastuzumab tedavi yanıtını ise 0.80 AUC ile öngörmüştür.

Prognostik Göstergeler ve Nüks Riski Tahmini

• Tümör İçi Lenfositler (TILs): Makhlouf ve ark., yüksek stromal TIL (sTIL) değerlerinin daha kısa sürveyans ile ilişkili olduğunu saptamıştır (Discovery kohortunda HR = 1.6; Validation kohortunda HR = 2.5). Choi ve ekibi ise neoadjuvan kemoterapi alan TNBC ve HER2+ hastalarında yüksek sTIL skorlarının iyi tedavi yanıtını güçlü şekilde öngördüğünü göstermiştir (OR = 1.28).
• DeepGrade Modeli (Histolojik Derecelendirme): Wang ve ekibi, orta dereceli (Nottingham Grade 2 / NHG 2) meme kanseri hastalarını DG2-yüksek ve DG2-düşük olarak ikiye ayıran DeepGrade modelini geliştirmiştir. DG2-yüksek grubu, belirgin şekilde artmış nüks riski sergilemiştir (HR = 2.94; dış doğrulama kohortunda HR = 1.91; P = 0.019).
• Homolog Rekombinasyon Eksikliği (HRD): BRCA1/BRCA2 mutasyonlarıyla ilişkili HRD statüsü, PARP inhibitörlerinin etkinliği için kritik bir göstergedir. Lazard ve ark. H&E slaytlarından HRD durumunu 0.86 AUC ile tahmin etmiş ve nekroz, yüksek TIL yoğunluğu ve nükleer heterojenlik gibi kilit morfolojik kalıpları tanımlamıştır. DeepSMILE öz-denetimli öğrenme modeli ise TCGA veri setinde 0.81 AUC başarımına ulaşmıştır.
• smuLymphNet ve Aksiller Lenf Nodu Tahmini: Verghese ve ark. smuLymphNet modeliyle kansersiz lenf nodlarındaki germinal merkez (GC) sayısını kantite etmiş; ortalama \ge 2 GC mevcudiyetinin Üçlü Negatif Meme Kanseri (TNBC) hastalarında daha uzun uzak metastazsız sağkalım (DMFS) ile ilişkili olduğunu kanıtlamıştır (HR = 0.28). Klimov ve ekibi DCIS (Duktal Karsinoma In Situ) nüks riskini %87 doğrulukla 10 yıllık zaman diliminde tahmin etmiştir.

4. Açıklanabilir Yapay Zeka: Fisher Bilgi Ağları (FIN) ve "Bana Benzer Hasta" Yaklaşımı

Derin öğrenme modellerinin yüksek tahmin performansına rağmen klinik entegrasyondaki en büyük engel "Kara Kutu" (Black-Box) problemidir. Saliency Map veya GradCAM gibi yöntemler karmaşık veya kafa karıştırıcı görselleştirmeler sunabilmektedir. Ortega-Martorell ve ekibi (2022) tarafından geliştirilen Fisher Bilgi Ağları (FIN), evrişimsel öznitelikleri düşük boyutlu, açıklanabilir bir gizil uzayda (latent space) yapılandırarak "Bana Benzer Hasta" (Patient-Like-Me) analizine olanak tanır.

[CBIS-DDSM Veri Seti] ──> [ResNet50 Katmanı] ──> [2,048 Evrişimsel Öznitelik]
                                                               │
                                                               ▼
[2D FIN Haritası] <── [MDS İzdüşümü] <── [Fisher Bilgi Metriği & Geodesic] <── [PCA: 1,363 Bileşen (%90 Varyans)]
       │
       ▼
[Klinik Karar Desteği: "Bana Benzer Hasta" Analizi & BI-RADS İncelemesi]

Metodolojik Yapı ve Matematiksel Altyapı

1. Öznitelik Çıkarımı ve Boyut İndirgeme: Shen ve ark. tarafından geliştirilen önceden eğitilmiş ResNet50 patch modelinden (5 sınıf: kalsifikasyon malign/benign, kütle malign/benign, arka plan) sondan bir önceki katmandan 2.048 evrişimsel öznitelik çıkarılır. Temel Bileşen Analizi (PCA) ile varyansın %90'ını temsil eden 1.363 ana bileşen muhafaza edilir.
2. Sınıf Olasılıklarının Tahmini: Boyutları indirgenmiş öznitelikler 30 gizli düğümlü Çok Katmanlı Algılayıcıya (MLP) aktarılarak sonsal sınıf olasılıkları p(c|x) hesaplanır.
3. Fisher Bilgi (FI) Metriği: Giriş verisi x üzerindeki sınıflara ait sonsal olasılık türevleri üzerinden Fisher Bilgi Matrisi FI(x) oluşturulur: FI(x) = \sum_{c} \left( \nabla_x \log p(c|x) \right) \left( \nabla_x \log p(c|x) \right)^T p(c|x) Bu metrik, veri noktaları arasındaki yerel değişimleri sınıf üyeliğine göre ölçerek Riemannian bir manifolt tanımlar.
4. Jeodezik Mesafeler ve Ağ Yapısı: Noktalar arasındaki en kısa jeodezik yollar Floyd-Warshall algoritmasıyla hesaplanır. Gaussian radial çekirdek yardımıyla komşuluk matrisi A elde edilir: A = \exp\left(-\frac{\Delta x^2}{\sigma_G^2}\right)
5. Boyut İndirgeme ve İzdüşüm: Çok Boyutlu Ölçekleme (MDS) uygulanarak veri 2 boyutlu Öklid uzayında haritalandırılır. Görülmemiş test hastaları bu eğitilmiş uzaya iz düşürülür.

CBIS-DDSM Veri Seti Bulguları ve Algoritma Karşılaştırması

CBIS-DDSM veri seti üzerinde yapılan sınamalarda FIN mimarisi geleneksel yöntemlerle karşılaştırılmıştır:

• PCA Sınırlılığı: İlk iki temel bileşen görselleştirmesinde sınıflar merkeze yığılmakta, özellikle benign ve malign kütleler ağır şekilde çakışmaktadır.
• UMAP Performansı: Süpervize UMAP arka plan sınıfını başarıyla ayırsa da lezyon sınıflarında ve test verisinde belirgin sınıf karışımları sergilemektedir.
• FIN Üstünlüğü: FIN uzayı, sınıflar arası ayrışmayı maksimuma çıkarırken aynı klinik sınıftaki hastaların küme içi tutarlılığını korur. Bağımsız test setinde %72 genel sınıflandırma doğruluğu (Arka plan: %89.6, Kütle Malign: %66.3) elde edilmiştir.

Klinik Değer ve Aşırı Teşhisin Önlenmesi

FIN görselleştirmesi, test hastalarını eğitilmiş harita üzerindeki komşularının yanına konumlandırır. Model tarafından yanlış sınıflandırılan vakalar incelendiğinde (örn. benign kalsifikasyonun malign sanılması veya malign kütlenin benign görünmesi), bu lezyonların klinik mamografi verilerinde sıklıkla BI-RADS 4 ("kötü huylu olma şüphesi") skoruna sahip olduğu görülmüştür.

FIN haritası, hekimin yeni bir hastayı geçmişte doğrulanmış patoloji ve tedavi sonuçlarına sahip "komşu hastalarla" kıyaslamasına olanak verir. Bu durum, doku biyopsisi öncesinde ek klinik içgörü sağlayarak hem gözden kaçan kanser vakalarını azaltmakta hem de benign lezyonlarda invaziv prosedürlerin ve aşırı teşhisin (overdiagnosis) önüne geçmektedir.

5. Karşılaşılan Zorluklar ve Gelecek Perspektifleri

Derin öğrenme modellerinin klinik ortamlarda yaygınlaşması önünde çok sayıda algoritmik, etik ve altyapısal engel bulunmaktadır.

Temel Zorluklar

• Açıklanabilirlik ve "Kara Kutu" Kaygısı: Karar süreçlerinin şeffaf olmaması, klinisyenlerin ve hastaların yapay zeka kararlarına duyduğu güveni zedelemektedir.
• Açıklamalı Veri Kıtlığı ve Heterojenlik: Yüksek kaliteli, patologlarca etiketlenmiş veri setlerinin oluşturulması zaman alıcı ve pahalıdır. Farklı merkezlerdeki tarayıcı markaları, slayt hazırlama teknikleri ve görüntüleme protokolleri veri heterojenliğine yol açmaktadır. TRIPOD-AI ve PROBAST-AI gibi protokoller standartlaşmayı hedeflemektedir.
• Yazılım, Donanım ve Depolama Maliyetleri: Modellerin eğitimi yüksek performanslı Grafik İşleme Birimleri (GPU) ve GPU sunucu kümeleri gerektirir. Yüzlerce gigabaytlık WSI görüntülerinin uzun süreli saklanması yüksek altyapı bütçesi talep eder.
• Veri Gizliliği ve Güvenlik: KVKK/GDPR benzeri tıbbi veri koruma yasaları, merkezler arası veri paylaşımını sınırlandırmaktadır.
• Prospektif Doğrulama Eksikliği: Mevcut çalışmaların büyük kısmı retrospektif veri setlerine dayanmakta olup farklı popülasyonlarda prospektif klinik test eksikliği çekmektedir.

Gelecek Yönelimleri

1. Federasyonlu Öğrenme (Federated Learning): Hasta verilerini kurum dışına çıkarmadan, farklı hastanelerdeki yerel modellerin ağırlıklarını birleştirerek küresel ve genelenebilir DL modelleri eğitilmesini sağlar.
2. Büyük Dil Modelleri (LLM) ve Çoklu-Modallık: Medikal görüntüler, omik veriler, elektronik sağlık kayıtları ve sosyal ağ verilerini birleştiren LLM entegrasyonları, klinik raporları doğal dil formatında üreterek karar desteği sunacaktır.
3. Etkin Etiketleme: Aktif öğrenme (active learning) ve yarı-süpervize teknikler, az sayıda etiketli veri ile yüksek model performansı elde edilmesini sağlayacaktır.

6. Model Performansları ve Klinik Veri Özeti

Aşağıdaki tablo, kaynaklarda yer alan temel derin öğrenme çalışmalarını, kullanılan mimarileri, veri setlerini ve elde edilen başarım metriklerini özetlemektedir:

Çalışma / Model	Uygulama Alanı	Kullanılan Veri Seti / Doku Türü	Performans Metriği / Başarım	Ref.
Cruz-Roa et al.	İnvaziv Duktal Karsinom Tespiti	WSI / 600 Slayt	F1 Skoru: %76	[39]
Han et al.	8 Sınıflı Tümör Sınıflandırma	BreaKHis Veri Seti	Doğruluk: %93.2	[40]
Yap et al. (FRCNN)	Ultrason Kütle Tespiti	Ultrason RGB Görüntüleri	F1 Skoru: %92.88, Duyarlılık: %95.72	[42]
Agarwal et al.	FFDM Kütle Tespiti	INbreast / CBIS-DDSM	Doğruluk: %99 (INbreast Malign)	[43]
Al-Masni et al. (YOLO)	Mamografi Kütle Tespiti ve Sınıflandırma	DDSM (2.400 Görüntü)	Tespitte %99.7, Sınıflandırmada %97 Doğruluk	[48]
Bejnordi et al.	Lenf Nodu Metastazı Tespiti	Histopatoloji Slaytları	AUC: 0.99 (Patologlar: 0.88)	[50]
Chen et al.	TNM Evreleme & Metastaz	Lenf Nodu Görüntüleri	AUC: 0.99	[58]
Shamai et al. (MBMP)	19 Biyobelirteç ve ER/PR Tahmini	Doku Mikroalanalrı (TMA)	Doğruluk: %92, HR Tahmin Doğruluğu: %91-%98	[57]
Inception MV4 + Gel	Termal Görüntüleme ile Erken Teşhis	Real-Time Termal Akış + Soğutma Jeli	Doğruluk: ~%100 (10 cm derinlikte 6 °C fark)	[61,64]
Wang et al. (DeepGrade)	NHG 2 Derecelendirme & Nüks Tahmini	WSI Kesitleri	DG2-Yüksek Nüks Riski HR: 2.94 (P = 0.015)	[69]
Verghese (smuLymphNet)	TNBC Lenf Nodu & DMFS Tahmini	Aksiller Lenf Nodları	\ge 2 Germinal Merkez için DMFS HR: 0.28	[71]
Lazard et al.	Homolog Rekombinasyon Eksikliği (HRD)	H&E WSI Slaytları	AUC: 0.86	[74]
Che et al.	HER2 Ekspresyon Analizi	IHC Görüntüleri (0 ve 3+)	Doğruluk: %97.9	[87]
Ortega-Martorell (FIN)	"Bana Benzer Hasta" Görselleştirme	CBIS-DDSM (ResNet50 + PCA + MLP)	Test Doğruluğu: %72 (BI-RADS 4 Uyumu)	[FIN]

7. Devam Eden Klinik Çalışmalar (ClinicalTrials.gov)

Derin öğrenme modellerinin klinik geçerliliğini ölçmek amacıyla yürütülen aktif klinik araştırmalar şu şekildedir:

• NCT06016790: cfDNA Dizilemesi Tabanlı Erken Meme Kanseri Tarama Modeli.
• NCT05443672: Meme Kütle Teşhisinde Derin Öğrenme Yapay Zekasının Çok Merkezli Değerlendirilmesi (Cihaz: Yizhun BUSMS).
• NCT05243121 / NCT04996615: Yüksek Riskli Kadınlarda Meme Kanseri Taraması ve Teşhisinde MRI Yapay Zeka Analizi.
• NCT05021055: Mamografik Meme Yoğunluğu Kategorizasyonu için DL Modelinin Dış Doğrulaması.
• NCT04270032: Otomatik Meme Ultrasonu (ABUS) ve El Ultrasonu (HHUS) Görüntülerinde Teşhis, Tedavi ve Prognostik Tahmin Modeli.
• NCT04003558 (RBC-01): Meme Kanseri MRI Radyomiklerinde Lenf Nodu Metastazı ve Prognoz Tahmini için Derin Öğrenme Algoritmaları.

Sonuç

Derin Öğrenme ve Fisher Bilgi Ağları (FIN) gibi açıklanabilir yapay zeka mimarileri, meme kanseri yönetiminde teşhis doğruluğunu artırmak, subjektif değerlendirme hatalarını ve aşırı teşhisi azaltmak ve kişiselleştirilmiş tedavi protokolleri geliştirmek için güçlü araçlardır. Algoritmik şeffaflık, federasyonlu öğrenme ile veri paylaşımı ve prospektif çok merkezli klinik çalışmaların tamamlanması sayesinde yapay zeka, yakın gelecekte dijital patoloji ve radyolojinin ayrılmaz bir parçası haline gelerek hasta sağkalımını ve yaşam kalitesini önemli ölçüde yükseltecektir.