Yapay Zeka ve Radyomiks: Karotid Zedelenebilir Plakların Değerlendirilmesindeki Yeni Yaklaşımlar

Radiomics and artificial intelligence: General notions and applications in the carotid vulnerable plaque (European Journal of Radiology - Accepted Date: 3 May 2024)

Giriş

Yapay Zeka ve Radyomiksin Tanıtımı

Karotid arter hastalığı (Şah damarların daralması), dünya genelinde önemli bir kardiyovasküler sağlık sorunu olarak öne çıkmaktadır. Bu hastalığın tanı ve tedavisinde yeni teknolojilerin kullanılması, sağlık hizmetlerinin kalitesini ve etkinliğini artırmak için büyük bir potansiyele sahiptir. Bu bağlamda, yapay zeka (AI) ve radyomiks, tıbbi görüntüleme alanında devrim niteliğinde yenilikler sunmaktadır.

AI ve radyomiks, tıbbi görüntüleme verilerinin daha ayrıntılı ve kapsamlı analizini mümkün kılarak, hastalıkların erken teşhisi ve doğru tedavi planlamasında kritik bir rol oynar. Özellikle karotid zedelenebilir plakların değerlendirilmesinde bu teknolojilerin sunduğu yenilikler, inme ve diğer ciddi kardiyovasküler olayların önlenmesinde büyük bir adım olarak görülmektedir.

Bu yazıda, AI ve radyomiksin karotid zedelenebilir plakların değerlendirilmesinde nasıl kullanıldığını, bu teknolojilerin sağladığı avantajları ve mevcut sınırlamaları ele alacağız. Aynı zamanda, bu teknolojilerin gelecekteki potansiyel kullanım alanlarına ve klinik pratiğe entegrasyonuna dair perspektifler sunacağız.

Karotid Ateroskleroz ve Önemi

Karotid Ateroskleroz Nedir?

Karotid arterler, beynimize kan taşıyan ana damarlardır. Zamanla, bu damarlar içinde yağ, kolesterol ve diğer maddeler birikerek plaklar oluşturur. Bu duruma karotid ateroskleroz denir. Plakların birikimi, arterlerin daralmasına veya tıkanmasına yol açarak beyne giden kan akışını azaltır. Bu durum, inme riskini önemli ölçüde artırır.

Kardiyovasküler Morbidite (İyilik Hali) ve Mortalitedeki (Ölüm Oranı) Rolü

Karotid ateroskleroz, dünya genelinde kardiyovasküler hastalıkların önde gelen nedenlerinden biridir. İnme, bu durumun en ciddi sonuçlarından biridir ve beyin hasarına, kalıcı sakatlığa veya ölüme neden olabilir. Dünya Sağlık Örgütü’ne göre, inme dünya çapında ölüm ve sakatlık nedenleri arasında ikinci sırada yer almaktadır.

Plakların sadece daralma yapması değil, aynı zamanda zedelenebilir olması da önemli bir risk faktörüdür. Zedelenebilir plaklar, stabil olmayan yapıları nedeniyle aniden yırtılabilir ve bu yırtılma sonucu kan pıhtıları oluşabilir. Bu pıhtılar, beyin damarlarını tıkayarak ani ve ciddi inmelere neden olabilir. Bu nedenle, karotid plakların yapısal özelliklerinin doğru bir şekilde değerlendirilmesi ve zedelenebilir plakların belirlenmesi, kardiyovasküler olayların önlenmesinde kritik bir rol oynar.

Karotid aterosklerozun değerlendirilmesinde geleneksel yöntemler, plakların sadece boyutunu ve daralma derecesini ölçerken, yeni teknolojiler olan radyomiks ve AI, plakların daha derinlemesine ve kapsamlı bir analizini mümkün kılar. Bu, sadece daralmanın derecesini değil, aynı zamanda plakların yapısını ve zedelenebilirlik riskini de değerlendirerek, daha doğru ve etkili tedavi stratejilerinin geliştirilmesine olanak tanır.

Radyomiks (Radiomics): Tıbbi Görüntülemede Yeni Bir Yaklaşım

Radyomiks Nedir?

Radyomiks, tıbbi görüntüleme verilerinden kantitatif (nicel) özelliklerin çıkarılması ve bu özelliklerin analizi anlamına gelir. Bu yöntem, geleneksel görüntüleme tekniklerine kıyasla hastalıkların daha ayrıntılı ve kapsamlı bir şekilde anlaşılmasını sağlar. Radyomiks, bilgisayarlı tomografi (CT), manyetik rezonans görüntüleme (MRI) ve ultrason (US) gibi çeşitli tıbbi görüntüleme tekniklerinden elde edilen veriler üzerinde uygulanabilir.

Kantitatif Görüntüleme Özellikleri

Radyomiks, görüntülerden elde edilen çeşitli özellikleri analiz eder. Bu özellikler, morfoloji (şekil), doku yapısı, yoğunluk dağılımı ve geometrik özellikler gibi kategorilere ayrılabilir. Örneğin, bir karotid plakın boyutu, şekli, yüzey düzensizlikleri ve iç bileşenleri radyomiks analizi ile değerlendirilebilir. Bu özelliklerin çıkarılması, hastalığın ilerleyişi hakkında daha fazla bilgi sağlar ve tedavi planlamasında yardımcı olur.

Bu teknoloji, tıbbi verilerin daha derinlemesine ve objektif bir şekilde değerlendirilmesine olanak tanır, bu da klinik karar verme süreçlerini iyileştirir.

Karotid Plakların Değerlendirilmesinde Radyomiks ve AI Uygulamaları

Ultrason (US) Uygulamaları

Ultrason (US), karotid plakların değerlendirilmesinde yaygın olarak kullanılan, non-invaziv bir görüntüleme tekniğidir. Radyomiks ve AI, US görüntülerinin analizinde kullanılarak plakların özelliklerini otomatik olarak çıkarabilir ve değerlendirebilir. Bu sayede, plakların zedelenebilirlik riski daha doğru bir şekilde belirlenebilir.

Örneğin, Mougiakakou ve arkadaşları, US görüntülerini kullanarak karotid plakları semptomatik ve asemptomatik olarak sınıflandırmak için bir bilgisayar destekli tanı (CAD) sistemi geliştirmiştir. Bu sistem, görüntülerden özellikler çıkarır ve bu özellikleri kullanarak plakları sınıflandırır. Modelde 108 hastanın verilerini kullanarak, eğitim setinde 0.97 ve test setinde 0.91 AUC (Eğri altında kalan alan — area under the curve=AUC) değerlerine ulaşmışlardır. Bu tür uygulamalar, manuel değerlendirmelerden daha hızlı ve objektif sonuçlar sağlar.

Bilgisayarlı Tomografi (CT) Uygulamaları

Photo by National Cancer Institute on Unsplash

Bilgisayarlı tomografi (CT), plakların değerlendirilmesinde yaygın olarak kullanılan bir diğer görüntüleme tekniğidir. CT görüntüleri, yüksek çözünürlükleri ve detaylı görüntüleme yetenekleri sayesinde plakların yapısını ve bileşimini değerlendirmede önemli bir rol oynar. Radyomiks ve AI, CT görüntülerinden elde edilen özellikleri analiz ederek plakların zedelenebilirlik riskini belirleyebilir.

Zhang ve arkadaşları, CT tabanlı radyomiks özelliklerini kullanarak karotid plakların iç yapısını ve zedelenebilirlik özelliklerini değerlendiren bir model geliştirmiştir. Bu model, plakların iç yapısındaki heterojenlikleri ve zedelenebilirlik riskini belirleyerek, inme riskini tahmin etmede önemli bir araç olarak kullanılabilir. 18'i test 38'i ise eğitim veri setini oluşturan 46 hastanın verilerini kullanarak, eğitim setinde 0.743 ve test setinde 0.811 AUC değerlerine ulaşmışlardır.

Manyetik Rezonans Görüntüleme (MRI) Uygulamaları

Manyetik rezonans görüntüleme (MRI), karotid plakların değerlendirilmesinde yüksek çözünürlük ve yumuşak doku kontrastı sağlayan bir tekniktir. MRI, plakların iç yapısını ve bileşimini detaylı bir şekilde değerlendirerek, zedelenebilir plakları tespit etmede etkin bir rol oynar. Radyomiks ve AI, MRI görüntülerini analiz ederek plakların zedelenebilirlik riskini belirleyebilir.

Örneğin, Zhang ve arkadaşları, MRI radyomiks özelliklerini kullanarak yüksek riskli karotid plakları tespit eden bir model geliştirmiştir. Bu model, plakların iç yapısındaki detayları analiz ederek, zedelenebilir plakları yüksek doğrulukla tespit edebilmekte. Bu, klinik karar verme süreçlerini iyileştirir ve hasta bakımını optimize eder. Modelde 162 hastanın verilerini kullanarak, eğitim setinde 0.988 ve test setinde 0.984 AUC değerlerine ulaşmışlardır.

Radyomiks ve AI, US, CT ve MRI gibi farklı görüntüleme tekniklerinde plakların değerlendirilmesinde kullanılarak, daha doğru ve kapsamlı analizler yapılmasını sağlar. Bu teknolojiler, inme riskinin daha doğru bir şekilde belirlenmesine ve önleyici tedbirlerin alınmasına olanak tanır.

Mevcut Sınırlamalar ve Zorluklar

Yorumlanabilirlik ve Açıklanabilirlik Sorunları

Yapay zeka (AI) ve makine öğrenimi (ML) modellerinin karar verme süreçlerinin anlaşılabilirliği, tıbbi uygulamalarda kritik öneme sahiptir. Yorumlanabilirlik, bir modelin girdileri ile çıktıları arasındaki ilişkiyi anlamayı ifade ederken, açıklanabilirlik, modelin belirli tahminlerinin ardındaki mantığı açıklar. Ancak, birçok AI modeli, “kara kutu” olarak adlandırılan karmaşık ve opak yapıları nedeniyle bu konuda sınırlamalar taşır. Bu, sağlık profesyonellerinin model tahminlerine güvenmesini zorlaştırabilir. Bu nedenle, AI modellerinin daha şeffaf ve anlaşılabilir hale getirilmesi için sürekli araştırmalar yapılmaktadır.

Düzenleyici ve Etik Sorunlar

AI ve radyomiksin sağlık hizmetlerinde kullanımı, veri gizliliği ve etik sorumluluklar gibi düzenleyici zorlukları beraberinde getirir. Özellikle, kişisel sağlık bilgilerini içeren verilerin kullanımı konusunda çeşitli yasalar ve düzenlemeler mevcuttur. Avrupa’da Genel Veri Koruma Yönetmeliği (GDPR) ve ABD’de Sağlık Sigortası Taşınabilirlik ve Sorumluluk Yasası (HIPAA) gibi düzenlemeler, AI uygulamalarının veri gizliliğine uygun olmasını gerektirir. Ayrıca, AI tabanlı yazılımların klinik doğrulaması ve sertifikasyonu konusunda mevcut düzenleyici eksiklikler, bu teknolojilerin yaygın kullanımını sınırlayabilir.

Tekrarlanabilirlik ve Yeniden Üretilebilirlik

Radyomiks özelliklerinin güvenilirliği, tekrarlanabilirlik ve yeniden üretilebilirlik ile ölçülür. Tekrarlanabilirlik, aynı analiz koşulları altında aynı sonuçların elde edilmesini ifade ederken, yeniden üretilebilirlik, farklı koşullarda aynı sonuçların elde edilmesini ifade eder. Görüntüleme parametrelerindeki veya hasta pozisyonlandırmasındaki küçük değişiklikler, radyomiks özelliklerinin güvenilirliğini etkileyebilir. Bu nedenle, radyomiks özelliklerinin dayanıklılığını ve güvenilirliğini artırmak için daha fazla test edilmesi gerekmektedir.

Model Doğrulama ve Genelleştirilebilirlik

Herhangi bir AI modeli, eğitildiği veri setinin temsil edici ve iyi hazırlanmış olmasına rağmen, gerçek dünya senaryolarında uygulanmadan önce dış doğrulama gerektirir. Bu, modelin orijinal veri setine dahil edilmeyen veya farklı kaynaklardan türetilen yeni verilerle test edilmesini içerir. Modelin genelleştirilebilirliği, yeni ve çeşitli veri setlerinde tutarlı sonuçlar üretebilme yeteneğine dayanır. Bu nedenle, AI modellerinin dış doğrulama süreçlerinden geçirilmesi ve genelleştirilebilirliğinin sağlanması büyük önem taşır.

Gelecek Perspektifler

Radyomiks ve AI’nin Geleceği

Radyomiks ve yapay zeka (AI), tıbbi görüntüleme ve teşhis alanında büyük bir potansiyele sahiptir. Teknolojik ilerlemeler ve bu teknolojilerin entegrasyonu, klinik pratiği dönüştürebilir ve hasta bakımını iyileştirebilir. Gelecekte, radyomiks ve AI’nin daha geniş bir uygulama yelpazesi ile tıbbi alanda yaygın olarak kullanılması beklenmektedir.

Daha Sofistike Algoritmalar

Teknolojik gelişmeler, daha sofistike ve hassas algoritmaların geliştirilmesine olanak tanıyacaktır. AI ve radyomiks, daha karmaşık verileri analiz edebilecek ve daha doğru tahminler yapabilecek şekilde evrilecektir. Bu, tıbbi görüntüleme verilerinin daha derinlemesine analiz edilmesine ve hastalıkların erken teşhis edilmesine yardımcı olacaktır.

Klinik Uygulamalara Entegrasyon

Radyomiks ve AI’nin klinik pratiğe entegrasyonu, tıbbi görüntüleme süreçlerini otomatikleştirerek, daha verimli ve doğru teşhisler yapılmasına olanak tanıyacaktır. Bu teknolojiler, radyologların iş yükünü azaltacak ve daha karmaşık vakaları değerlendirmelerine olanak tanıyacaktır. Ayrıca, hasta bakımını optimize etmek ve tedavi süreçlerini iyileştirmek için kişiselleştirilmiş tedavi planlarının geliştirilmesine yardımcı olacaktır.

Etik ve Düzenleyici Çerçevelerin Geliştirilmesi

AI ve radyomiksin klinik uygulamalarda güvenli ve etik bir şekilde kullanılması için düzenleyici çerçevelerin geliştirilmesi gerekmektedir. Bu, veri gizliliği, model doğrulama ve hasta güvenliği gibi konuları kapsayan kapsamlı düzenlemelerin uygulanmasını içerir. Ayrıca, AI modellerinin açıklanabilirliği ve yorumlanabilirliğini artırmak için sürekli araştırmalar yapılmalıdır.

Radyomiks ve AI’nin tıbbi alandaki potansiyeli büyük ve gelecek vaat eden bir alandır. Bu teknolojilerin doğru ve etik kullanımı, tıbbi görüntüleme ve teşhis süreçlerini iyileştirerek, hasta sonuçlarını önemli ölçüde iyileştirebilir.

Kaynakça

1. Scicolone, R., Vacca, S., Pisu, F., Benson, J. C., Nardi, V., Lanzino, G., Suri, J. S., & Saba, L. (2024). Radiomics and artificial intelligence: General notions and applications in the carotid vulnerable plaque. European Journal of Radiology. https://doi.org/10.1016/j.ejrad.2024.111497
2. Baldassarre LA, Jackson PG, Cortopassi R. Radiomics and artificial intelligence in cardiovascular imaging: Unlocking the power of quantitative imaging data. J Cardiovasc Comput Tomogr. 2020;14(6):426–432. doi:10.1016/j.jcct.2020.09.005.
3. Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images are more than pictures, they are data. Radiology. 2016;278(2):563–577. doi:10.1148/radiol.2015151169.