Akut miyeloid lösemi (AML), hematopoietik kök hücrelerden gelişen ve lösemiye bağlı küresel ölümlerin yaklaşık %28’inden sorumlu olan bir hematolojik malignitedir. Tanısal değerlendirmede kemik iliği veya periferik kandaki lösemik blastların belirlenmesi önemli bir aşama oluşturmakta ve geleneksel yaklaşımda patolog veya hematologların ışık mikroskobu altında yaklaşık 200–500 hücreyi manuel olarak değerlendirmesini gerektirmektedir. Bu süreç zaman alıcı ve emek yoğun olmasının yanı sıra değerlendirmeyi gerçekleştiren uzmanın deneyimine bağlı değişkenlik gösterebilmektedir. Özellikle uzman hematopatologlara erişimin sınırlı olduğu kaynakları kısıtlı bölgelerde, bu durum hematolojik malignitelerin değerlendirilmesinde önemli bir darboğaz oluşturmaktadır.
Kemik iliği yaymalarının yapay zekâ ile analizine yönelik derin öğrenme çalışmaları ilerleme sağlamış olsa da mevcut yaklaşımların önemli bir bölümü yüksek maliyetli whole-slide imaging (WSI; tüm lam görüntüleme) sistemlerine dayanmaktadır. Ticari tüm lam tarayıcılarının yaklaşık 300.000 ABD dolarına ulaşabilen maliyeti, bu teknolojilerin kaynakları kısıtlı ortamlarda erişilebilirliğini sınırlandırmaktadır. Araştırmacılar bu probleme yönelik olarak, geleneksel mikroskopları otomatik görüntüleme sistemlerine dönüştüren ve yapay zekâ ile kemik iliği yaymalarındaki blast hücrelerini değerlendiren ALLocate (Acute Leukemia Locate) sistemini geliştirmiştir. Çalışmanın amacı, pahalı WSI altyapısına ihtiyaç duymadan uygun kemik iliği bölgelerini belirlemek, blast hücrelerini tespit etmek ve elde edilen sonuçlardan lam düzeyinde AML değerlendirmesi gerçekleştirmektir.
ALLocate, 3D baskılı mekanik bileşenlerle otomatikleştirilmiş bir mikroskop tarama sistemi ile iki derin öğrenme modelini birleştirmektedir. Mikroskobun X ve Y eksenlerindeki hareketi iki step motoru, Arduino Mega 2560 mikrodenetleyicisi ve özel tasarlanmış 3B baskılı bağlantılar aracılığıyla otomatikleştirilmiştir. Sistem yaymayı raster tarama düzeninde görüntüledikten sonra görüntüleri daha küçük bölgelere ayırmaktadır. İlk aşamada CNN tabanlı bölge sınıflandırıcısı, görüntüleri uygun bölge, kan bölgesi ve pıhtı bölgesi olarak sınıflandırarak hücre analizi için kullanılabilecek alanları belirlemektedir. Ardından YOLOv8 tabanlı nesne tespit modeli, seçilen bölgelerde normal ve blast hücrelerini tespit edip sınıflandırmaktadır. Model geliştirme ve değerlendirme sürecinde 11.000’den fazla bölge ile 130.000’den fazla anotasyonlu hücre kullanılmış; sistem UCSF (University of California, San Francisco) verileriyle geliştirilmiş ve bağımsız MSKCC (Memorial Sloan Kettering Cancer Center) kohortlarıyla doğrulanmıştır.
Bölge sınıflandırıcısı; uygun, kan ve pıhtı bölgelerini ayırt etmede sırasıyla 0,992, 0,998 ve 0,997 AUC değerlerine ulaşmıştır. Blast hücrelerinin tespitinde kullanılan YOLOv8 modeli ise normal hücrelerde yaklaşık %87 kesinlik (precision), %86 duyarlılık (recall) ve %93 mAP50; blast hücrelerinde ise yaklaşık %81 kesinlik, %83 duyarlılık ve %86 mAP50 elde etmiştir. Bağımsız MSKCC kohortundaki 99 normal ve 87 AML bölgesinin değerlendirilmesinde ALLocate’ın bölge düzeyindeki AUC değeri 0,9012 olarak belirlenirken patolog değerlendirmesinde bu değer 0,9359 olmuştur. Tüm lam düzeyindeki değerlendirmede 20 normal ve 20 AML preparatından oluşan dış doğrulama kohortunda blast oranları normal örneklerde ortalama %2,0, AML örneklerinde ise %44,3 olarak belirlenmiştir. Fiziksel cam preparatlar üzerinde gerçekleştirilen uçtan uca değerlendirmede ise UCSF kohortunda 18 AML örneğinin 17’si ve 18 normal örneğin tamamı doğru sınıflandırılarak %97 doğruluk elde edilmiştir. Bağımsız MSKCC kohortunda 56 AML örneğinin 53’ü ve 73 normal örneğin 58’i doğru sınıflandırılmış, toplam doğruluk %86 olarak bulunmuştur. Ayrıca ALLocate’ın blast sayımları ile patologların manuel değerlendirmeleri arasında güçlü korelasyon gözlenmiştir.
Araştırmacılar, ALLocate’ın özellikle yüksek maliyetli görüntüleme altyapısının bulunmadığı ortamlarda kemik iliği yaymalarının hızlı biçimde taranmasına katkı sağlayabilecek bir sistem olduğunu belirtmektedir. Sistemin toplam donanım maliyetinin, kullanılan mikroskop hariç, yaklaşık 150 ABD doları olması ve yapay zekâ modellerinin CPU üzerinde de çalışabilmesi bu yaklaşımın düşük maliyetli otomatik mikroskopi açısından potansiyelini desteklemektedir. Bununla birlikte sistemde henüz otomatik Z ekseni odaklama (autofocus) ve entegre bir grafik kullanıcı arayüzü bulunmamakta, fiziksel preparatlarla yapılan doğrulamanın daha büyük ve çok merkezli çalışmalarla genişletilmesine ihtiyaç duyulmaktadır. Araştırmacılar ayrıca özellikle reaktif kemik iliğinde belirgin nükleollere sahip olgunlaşmamış granülositlerin zaman zaman blast hücreleriyle karıştırılabildiğini bildirmektedir. Bu nedenle ALLocate, bağımsız bir tanı aracından ziyade blast açısından şüpheli bölgelerin hızlı biçimde belirlenmesini ve uzman incelemesine yönlendirilmesini destekleyen yardımcı bir tarama sistemi olarak tasarlanmıştır.
Yazar:Hazel Birgül
Editör: Asmin Petekbaşı
Referans: Yan, E. S., Sun, S., Yin, Z., Kamali, A., Van Cleave, J., Isgor, I. S., Fried, B., Colorado-Jimenez, C., Dilip, D., Baik, J., Manzo, A., Paulsen, S., Singi, S., Drapeau, S., Eren, O. C., Chun, J. K., Syed, A., Cardillo, A., Pulitzer, M., … Goldgof, G. M. (2026). An AI-powered self-driving microscope for low-cost acute leukemia detection. Nature Communications. https://doi.org/10.1038/s41467-026-77130-x
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
