Yapay-öğrenme algoritmalarının 2019’da, pigment içeren deri kanserlerini tanımada dermatoskopi yapan dermatologları yenmeyi başardığını biliyor muydunuz?
Aslına bakarsanız bugünlere gelmek deri kanseri tanısı için bir çok dermatoskopik algoritma geliştiren dermatologların ve yapay zekâ mühendislerinin ortak başarısıydı. Yapay-öğrenme algoritmaları ilerleyen yıllarda deri kanseri tanısını kolaylaştırarak dermatologlara yardımcı olacak gibi duruyor. Bu aşamaya nasıl gelindiğine kısaca bakalım.
Deri kanseri nedir?
Deri kanseri dünyada kadın ve erkeklerde en sık görülen ve deride yer alan hücrelerden kaynaklanan kanserlerdir. Genellikle sinsi bir şekilde deride renkli ya da renksiz bir değişimle başlar. Hastalar vücutlarında yeni bir ben çıktığını, ya da taktığı gözlüğün burnunu tahriş ettiğini zannederek doktor kontrolünü geciktirebilir. Genel olarak en sık görülenleri sırasıyla bazal hücreli kanser, yassı hücreli kanser ve melanomdur.
Derinin renk üreten hücrelerinden oluşan melanom adı verilen kanser, derideki diğer hücrelerden kaynaklanan melanom-dışı deri kanserlerinden daha tehlikelidir. Erken tanındığı zaman basit bir cerrahi işlemle tamamen tedavi edilebilir ancak tanı geciktiğinde tedavisi, günümüzün gelişen imkânlarında hedefe yönelik tedavilere, bağışıklık sistemini güçlendiren immünoterapilere rağmen oldukça güçtür. Bu nedenle dermatologlar uzun yıllardır melanom ve diğer deri kanserlerini iş işten geçmeden tanımanın yollarını arıyorlar.
Deride çıkan lezyonları değerlendirmede kullanılan ABCD yöntemi, 1985’te ortaya atılmıştır. Çıplak gözle uygulanan ABCD yöntemi, (A)symmetry, (B)order, (C)olor, ve (D)iameter İngilizce kelimelerinin ilk harflerinden türetilmiştir (asimetri, bordür, renk ve çap).
Buna göre asimetrik, sınırları düzensiz, ikiden farklı renk içeren, çapı 6mm’den büyük yapılar bize melanom düşündürmelidir. Ancak bir lezyonu çıplak gözle ve 6mm’yi sınır alarak değerlendirmek, yapmayı en çok hedeflediğimiz şeyi; yani melanomu erken ve tedavi edilebilirken tanımamıza engel olabilir. Neredeyse tüm melanomlar gelişimlerinin erken bir aşamasında 6mm’den küçüktür.
Daha sonraki yıllarda ABCD yöntemi dermatoskopla yapılmaya başlanmış ve sonuna E harfi eklenecek şekilde ABCD-E olarak güncellenmiştir. Burada E harfi (evolution, gelişim) büyüyen ve değişim gösteren bir yapının kanser olma ihtimalinin daha yüksek olduğunu vurgulamak için eklenmiştir.
Dermatoskop nedir?
Çıplak göz ile deri kanserini tanımak ideal olmadığından, ek araçlara ihtiyacımız var. Deri kanserini tanımak için en sık kullanılan cihaz dermatoskop denilen bir büyüteç. Klasik bir dermatoskop 10 kat büyütme sağlar. Hem polarize hem de polarize olmayan ışıkla görüntüleme yapılmasına imkân verir. Dermatologlar deride ortaya çıkan farklı görünümlü yapıları dermatoskop ile görüntüleyerek onları bir tanıya yönlendirecek ipuçları ararlar. Videolu dermatoskoplar ise 70-100 kat büyütme sağlayabilir ve dermatoskopun aksine hastaların fotoğraf kayıtlarını alıp saklamaya imkân sağlar. Videolu dermatoskop kullanarak bir benin değişip değişmediğini önceki kontrollerdeki görüntüsü ile karşılaştırarak anlayabiliriz.
Deri kanserini, bakarak nasıl tanıyabildiğimizi merak ediyor olabilirsiniz.
Farklı kanserlerin, dikkatli baktığımızda fark ettiğimiz ve bizi tanı koymaya yaklaştıran görüntüleri vardır. Örneğin derinin bazal katmanından kaynaklanan ve en sık raslanan deri kanseri olan bazal hücreli kanserde deri renginde ya da kahverengi bir alanı çevreleyen akçaağaç yaprağına benzeyen yapılar görmemiz oldukça tipik bir durumdur. Damar yapısı bazal hücreli kanseri tanımayı çok kolaylaştırır. Tipik olarak inceliği ve kalınlığı değişen dallanan damarları gözlemleyebiliriz.
Melanomun görsel olarak kaotik bir yapısı vardır. Pigment ağı lezyonun tamamında tek tip değildir. Lezyonda kahverengi, siyah mavi, gri, pembe beyaz gibi bir çok renk bir arada bulunabilir. Polarize ışıkla görünen kısa beyaz parlak çizgiler bize melanom düşündürebilir. Geometrik olarak dikdörtgen ve çokgene benzeyen yapılar ve birbirini geniş açılarla kesen çizgilerin varlığı melanomu tanımayı kolaylaştırabilir.
Günümüzde bir dermatoloğun deri kanserini tanımadaki başarısı dermatoskopi eğitimi ve bu alandaki deneyimi ile doğru orantılı. Hatta dermatoskopi yapan kişinin deri kanserini tanımadaki duyarlılığının eğitim ve deneyim ile arttığı bir çok çalışmada da gösterilmiştir. Mesela sadece bir gün dermatoskopi eğitimi verilen pratisyen doktorlara 30 soruluk iyi ve kötü huylu lezyon fotoğrafları gösterilerek test yapılmış. Eğitim öncesi ortalama 13/20 soruya doğru cevap veren grubun eğitim sonrası başarısı 20/30 olarak saptanmış.[1]Augustsson A, Paoli J. Effects of a 1-Day Training Course in Dermoscopy Among General Practitioners. Dermatol Pract Concept 2019; 9: 195-9.
Deri Kanseri Tanısında Yapay Zekâ
Dermatoskopi öğrenme deri kanseri tanısı koymamızı kolaylaştırıyorsa, yapay öğrenme sistemleri de tanı sürecine katkı sağlayabilir mi?
Deri kanserlerde görülmesi beklenen özellikler halinde fikir sahibi olunduktan sonra dermatoskop kullanırken doğru tanıya yönlendirecek farklı algoritmalar ve skorlama sistemleri geliştirilmiştir. Bunlardan en bilinenleri şunlardır:
-Menzies yöntemi,
-CASH algoritması,
-7 noktalı kontrol sistemi,
-Örüntü analizi
-Kaos ve ipuçları yöntemidir.
Bu yöntemler temel olarak lezyonun kaotik yapısına ve melanoma özel görüntülerin varlığına göre değerlendirme yapmaktadır.
Resim 1’de bir önceki bölümde bahsettiğim gibi, melanomu değerlendirmek için geometrik şekillerin ve renklerin dağılımına bakmaktayız.
Dermatologların biyopsi alıp patolojik tanısının elde edildiği iyi ve kötü huylu lezyonların dermatoskopik fotoğraflarının olduğu geniş arşivleri vardır. Bunlar kullanılarak ve geometrik örüntüler öğretilerek algoritmalarla derin öğrenme algoritmalarıyla eğitilmiş, ardından deri kanseri tanımadaki başarıları çeşitli seviyelerdeki dermatologlara karşı yarıştırılarak değerlendirilmiştir. Yakın zamana yapılan çalışmalarda bilgisayar algoritmaları melanomu tanımada dermatologları üst üste yenmeyi başarmıştır.[2]Haenssle HA, Fink C, Schneiderbauer R et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 2018; 29: 1836-42.[3]Tschandl P, Codella N, Akay BN et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol 2019; 20: 938-47.[4]Esteva A, Kuprel B, Novoa RA et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542: 115-8.
Bu gelecek için çok sevindirici bir haber, çünkü yapay zekâ kullanarak deri kanseri tanıyan sistemler geliştirmek, zaman içerisinde hastalar nerede ve hangi doktora muayene olursa olsun güvenilir ve net bir muayene sonucuna ulaşmalarını garantileyebilir.
Yapay zekânın gerçek dünyada kullanım alanlarını iyi değerlendirmemiz önemli olacak. Örneğin cep telefonları kullanılarak hastalarda lezyonların ilk değerlendirmesinin yapılması olasılıklardan biri. Bu olasılık, erken tanı imkânı yaratarak gereksiz girişimleri azaltabilir. Ya da kullanmakta olduğumuz videolu dermatoskoplara yapay zeka entegre edilerek takipli hastalarda şüpheli lezyonların değerlendirilmesi sağlanabilir. Deri kanseri tanısı açısından heyecan verici olasılıklar önümüzdeki yıllarda bizleri bekliyor.
Seçil Vural, Koç Üniversitesi Tıp Fakültesi, BAGEP 2020
Notlar/Kaynaklar
| ↑1 | Augustsson A, Paoli J. Effects of a 1-Day Training Course in Dermoscopy Among General Practitioners. Dermatol Pract Concept 2019; 9: 195-9. |
|---|---|
| ↑2 | Haenssle HA, Fink C, Schneiderbauer R et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 2018; 29: 1836-42. |
| ↑3 | Tschandl P, Codella N, Akay BN et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol 2019; 20: 938-47. |
| ↑4 | Esteva A, Kuprel B, Novoa RA et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542: 115-8. |
