
Deneysel enstrümanlar ve protokollerdeki hızlı ilerlemelerle, görüntüleme ve dizileme verileri, şimdiki ve gelecek büyük biyomedikal verilere önemli ölçüde katkıda bulunan eşi görülmemiş bir oranda üretilmektedir. Bu arada, hesaplama altyapısı ve analiz algoritmalarındaki benzeri görülmemiş gelişmeler, yalnızca radyoloji ve kardiyolojide değil, aynı zamanda onkoloji ve diğer hastalıklarda da görüntü tabanlı dijital tanıyı gerçekleştirmektedir.
Makine öğrenimi yöntemleri, özellikle derin öğrenme teknikleri, çeşitli teknolojik ve endüstriyel sektörlerde halihazırda ve geniş bir şekilde uygulanmasına karşın sağlık hizmetlerinde uygulamaları yeni başlamaktadır. Biyomedikal araştırmada benzersiz bir şekilde, genomik verileri histopatolojik görüntüleme verileriyle bütünleştirmek için büyük bir potansiyel olmakla birlikte, entegrasyon, patoloğun sınırlarını ve sınırlarını genişletme potansiyeline sahiptir ve bu da moleküler ve doku seviyelerinde tanı, tedavi ve izlemede atılımlar yaratabilmektedir. Dahası, genomik verilerinin uygulamaları, kişiselleştirilmiş tıp potansiyelini gerçekleştirmekte, teşhis, tedavi, izleme ve prognozu daha doğru hale getirmektedir.
Yapılan bu çalışmada araştırmacılar, dijital patoloji uygulamaları için halihazırda mevcut olan makine öğrenme yöntemlerini, dokulardaki uzamsal genomik verileri doku morfolojisi ile entegre etmenin yeni umutlarını ve genomik verileri patolojik görüntüleme verileriyle birleştirmeye yönelik sınır yaklaşımlarını tartıştıklarını belirtmişlerdir. Ayrıca araştırmacılar bilgisayar destekli uygulamalar için biyomedikal ve çeviri araştırmalarında atılımlar yapmak için yapay zekanın moleküler genomik ve görüntüleme ile nasıl sinerji oluşturabileceğine dair perspektifler sunduklarını bildirmişlerdir.
Geleneksel olarak, kanser teşhisi için görüntüleme, patoloğun değerlendirmesi ve spesifik kanser belirteçleri ile doku biyopsilerinin takip immün boyama için olası önerileri takiben Hematoksilen - Eozin (H&E) boyama ile yapılmaktadır. Bununla birlikte, bir seferde boyanabilen az sayıdaki belirteç, kanser heterojenliğini ölçme yeteneğini sınırlamaktadır. Dikkat çekici bir şekilde, tümör heterojenliği düşük tedavi etkinliğinin önemli bir nedenidir, çünkü ilaç duyarlılığındaki heterojenlik, görünüşte başarılı olan başlangıç tedavisine rağmen yüksek nüks oranlarına katkıda bulunmaktadır. Kanser heterojenliğini değerlendirmeye yönelik mevcut klinik uygulama, temel olarak H&E boyama görüntülerinden doku morfolojisinin görsel incelemesine ve immün boyama doku görüntülerinden kanser belirteçlerinin varlığı veya yokluğunun ikili sınıflandırmasına dayanmaktadır. Hemen hemen tüm kanser hastaları için toplanan kanser doku rezeksiyonlarının histopatolojik görüntüleri kullanılarak doku heterojenliği makroskopik düzeyde değerlendirilebilse de, kanser dokularını daha iyi karakterize etmek için bu örneklerden çok daha fazla genetik genomik moleküler ve doku morfolojik bilgisi üretilebilmekle birlikte kullanılabilmektedir.
Mikro-çevrenin farklı uzaysal düzenlemesi
Araştırmacılar mevcut moleküler analizlerin tümör heterojenliğini değerlendirmek, hücreleri doğal dokulardan ayırma ihtiyacı, böylece uzamsal ve fizyolojik bağlamı atma ve tek hücre seviyesinde ölçmenin çözünürlük eksikliği ile sınırlı olduğunu ifade etmişlerdir. Ayrıca araştırmacılar bu iki sınırlamanın, bağışıklık hücresi ve kanser hücresi alt popülasyonlarını ve bunların tümörlerdeki moleküler etkileşimlerini anlamak için kritik zorluklar olduğunu belirtmişlerdir.
Tümör heterojenliği, çeşitli hücre tipi kompozisyonundan, mikro çevrenin farklı uzaysal düzenlemesinden ve hücre-hücre iletişimindeki dinamik değişikliklerden kaynaklanmakla birlikte, tümör ekosistemlerinde, çok sayıda hücre tipi ligand-reseptör etkileşimleri ile iletişim kurmaktadır. Bağışıklık kontrol noktası inhibitörlerinin tedavisine başarılı bir şekilde uygulanması, ligand-reseptör etkileşimlerinin hedeflenmesinin hastalar için önemli faydalar sağlayabileceğini kanıtlamaktadır.
Kolorektal kanserde, immün hücre tipleri, yoğunluğu ve lokasyonunun, klasik TNM (Tümör, lenf Düğümleri ve Metastaz) evrelemesine göre klinik sonuçların daha öngördürücü olduğu gösterilmiştir. Skuamöz hücreli karsinomda (SCC), yüksek düzeyde tümör heterojenliği, jenerik biyobelirteçler yerine bireysel tedavi ihtiyaçlarını ve bireysel tümör kapasitesinin invaziv yayılma için öngörücülerini ele alan bir biyobelirteç panelinin tanımlanmasını gerektirmektedir. Bununla birlikte araştırmacılar, hücre-hücre etkileşimlerinin, hücre tipleri, mikro çevre, biyobelirteçler ve bunların sonucu nasıl etkilediği konusundaki bilgilerimizin hala sınırlı olduğunu belirtmişlerdir.
Sonuç olarak araştırmacılar bu alandaki araştırmaların geliştirilmesinin, sağlık hizmetlerinde "omik" devrimine katkıda bulunacağını, gelişmiş dijital sağlık zekası uygulamalarını teşvik edeceğini ve hastalıkların önlenmesine daha iyi erişimi olan bir topluma katkıda bulunacağını belirtmişlerdir.
Tan X, Su AT, Hajiabadi H, Tran M, Nguyen Q. Applying Machine Learning for Integration of Multi-Modal Genomics Data and Imaging Data to Quantify Heterogeneity in Tumour Tissues. Methods Mol Biol. 2021;2190:209-228. doi: 10.1007/978-1-0716-0826-5_10. PMID: 32804368.
+ Tüm Referansları Göster