Lösemi, vücudun kemik iliğinde kan hücrelerinin anormal bir şekilde büyüdüğü ve çoğaldığı bir kanser türüdür. Bu durum, normal kan hücrelerinin üretimini engeller ve vücutta alyuvarlar, lökositler ve trombositler gibi kan hücrelerinin düzensiz ve aşırı üretimine yol açar.
Lösemi tanısı koymak için bir dizi laboratuvar testi ve inceleme kullanılır. Lösemi teşhisini doğrulamak ve hastalığın evresini belirlemek amacıyla hastanın kanındaki farklı kan hücresi tiplerinin sayısını ve oranını değerlendiren tam kan sayımı, mikroskop altında kan örneklerinin incelenmesini sağlayan periferik kan yayması ve ışığın maddeyle etkileşimini kullanarak madde örneklerinin moleküler yapısını analiz eden raman spektroskopisi kullanılan testlerdendir.
Tam Kan Sayımı: Hastanın kanındaki farklı kan hücresi tiplerinin sayısını ve oranını değerlendiren temel bir testtir. Lösemi hastalarında lökosit artışı, anemi ve ve trombosit azalması gözlenebilir. Açıklaması: Periferik Kan Yayması:
Almanya’da gerçekleştirilen bir çalışmada tam kan sayımı verilerini kullanarak lösemi tanısını tahmin etmek ve alt tiplerine ayırmak için bir yapay zeka modeli geliştirilmiştir. Bu çalışma, 1577 hastanın verilerini içermektedir.Çalışma, radyal tabanlı fonksiyon ağı (RBFN) olarak adlandırılan bir yapay sinir ağı modelini kullanmıştır. Bu model, lösemi sınıflandırmasında oldukça yüksek bir başarı oranı olan %90.5’lik bir AUROC yani (Alan Altında kalan ROC Eğrisi) başarısı elde etmiştir. Bu sonuçlar, lösemiyi erken tahmin etme ve sınıflandırmada modelin yüksek doğruluğunu göstermektedir. Modelin kullanılması, ilgili tanı testlerinin hangi hastalara yapılacağı sürecini optimize edebilir ve lösemi tanısı konmuş hastaların erken bir şekilde yönlendirilmesi ve tedavi edilmesini kolaylaştırabilir.
Periferik Kan Yayması: Periferik kan yayması, mikroskop altında kan örneklerinin incelenmesini sağlar. KLL’nin periferik kan yaymasından alınan görüntülerde lenfositlerin karakteristik özellikleri ve görünümleri değerlendirilir.
Hindistanlı bir ekip, dört ana lösemi alt tipini (ALL, AML, KLL,KML) ayırt etmek amacıyla kan örneklerinin mikroskobik görüntülerini kullanarak derin transfer öğrenme gerçekleştirdiler. 1250 mikroskopik kan yayması görüntüsünden oluşan bir veri seti oluşturdular. Eğitim ve model doğrulaması için %80 eğitim ve %20 doğrulama kullanıldı. SVM ve random forest modelleri bu veri setiyle eğitilmek için kullanıldı. Model performansı test veri setleri üzerinde değerlendirildi. Sonuçlar, lösemi alt tiplerini belirlemede modelin yüksek doğruluk seviyesine ulaştığını gösterdi.
Raman spektroskopisi: Işığın maddeyle etkileşimini kullanarak madde örneklerinin moleküler yapısını analiz eden bir analitik kimya tekniğidir. Lösemi hücrelerinin moleküler yapılarını incelemek için kullanılabilir. Görselde raman spektroskopisi ile mineral tanımlama şeması gösterilmiştir.
Fransız bir ekibin geliştirdiği yöntem ise, KLL tanısını koymak için kan görüntülerinden elde edilen raman spektroskopisi verilerini kullanmaktadır. Çalışma, 140 hastadan toplanan Raman verilerini içermektedir, bu hastaların 61’i sağlıklı bireylerden oluşurken 79’u lösemi tanısı almış hastalardan oluşmaktadır. Temel amaç, bir makine öğrenme modeli oluşturarak hastaları doğru bir şekilde sağlıklı veya lösemi hastası olarak sınıflandırmaktır.
Sonuçlar, geliştirilen algoritmanın sağlıklı ve KLL hastalarını %95 sensitivite ve %85 spesifite ile doğru bir şekilde sınıflandırabildiğini gösterdi.Ancak, bu yöntemin klinik uygulamada kullanılabilmesi için maliyet-fayda analizlerinin yapılması gerekmekte ve raman spektroskopisi henüz rutin bir uygulama değildir.
Bu yazıda lösemi teşhisi için makine öğrenimi algoritmaları kullanılan çalışmaları ele aldık. Periferik kan yaymalarının mikroskobik görüntüleri, tam kan sayımı ve raman spektroskopisi lösemi teşhisi konusundaki makine öğrenimi uygulamalarını değerlendirdik. Güncel çalışmalar, makine öğreniminin lösemi teşhisini doğru bir şekilde tahmin edebileceğini, lösemi taramasına yardımcı olabileceğini göstermektedir. Bu yazıda değerlendirilen makine öğrenimi modelleri lösemi teşhisini tahmin etmede yeterli bir performans sergilemektedir.
Son olarak, makine öğrenimi uygulamalarının doğrudan hasta entegrasyonu çeşitli etik ve tıbbi yasal sorunları gündeme getirir. Bu sorunlar, tıbbi hatalar durumunda sorumluluğun kime ait olacağı, veri gizliliği ve güvenliği, makine öğreniminin yeteneklerinin ve sınırlamalarının yeterince anlaşılması gerektiği gibi konuları içerir. Bu sorunları ele almak için, sağlık alanındaki makine öğrenimi uygulamalarının etik bir çerçevesinin geliştirilmesi gereklidir. Ayrıca, makine öğrenimi algoritmaları, sağlık uzmanlarına yardımcı olarak kullanılmalı ve onların rolünü tamamlamalıdır, onun yerine geçmemelidir. Doktorlar, makine öğrenimi uygulamaları hakkında eğitim almalı ve özellikle belirli görevler için algoritmaların sensitivite ve spesifitesi hakkında bilgi sahibi olmalıdırlar.
