Kategori: Tanısal Yaklaşım | Dijital Patoloji | Torasik Patoloji | 22 Kasım 2026
Akciğer tümörlerinde yapay zekâ (YZ) ile tümör saptama, alt tip ayrımı, biyobelirteç puanlama ve moleküler değişiklik öngörüsü aynı doğrulama düzeyindeki uygulamalar değildir. IASLC Patoloji Komitesi'nin 2026 değerlendirmesi, algoritmanın doğruluğu kadar laboratuvar iş akışı, güvenilirliği ve patolog denetimini de öne çıkarıyor.
1. Önce klinik kullanım amacını tanımlayın
“Tümörü işaretlemek”, “PD-L1 değerlendirmesine yardımcı olmak” ve “H&E üzerinden EGFR/KRAS değişikliği öngörmek” farklı klinik iddialardır. Araştırma makalesindeki yüksek AUC, rutin moleküler test yerine geçme yetkisi vermez. Her uygulamanın hedef popülasyonu, referans standardı ve hata maliyeti ayrı olmalıdır.
2. Tarayıcı, boyama ve örnek tipi değişince performansı yeniden sorgulayın
WSI tarayıcısı, dijital görüntü çözünürlüğü, H&E boyama protokolü, doku katlanması, nekroz ve küçük biyopsi oranı modelin sonuçlarını etkileyebilir. Kurum dışı veriyle ve yerel gerçek yaşam serisiyle validasyon, tek merkezli geliştirme başarısından daha değerlidir.
3. Önemli olan klinik karar eşiğindeki hata
Ortalamada iyi çalışan bir model, PD-L1 eşik yakınında, sınırlı tümör hücre sayısında veya karışık histolojide hatalı olabilir. Testin toplam doğruluğuna ek olarak eşik düzeyindeki uyum, yanlış negatif oranı ve güvenilmez olguların nasıl işaretlendiği kaydedilmelidir.
4. Patolog denetimi gerçek bir karar yetkisi taşımalı
Algoritmanın hangi bölgeyi değerlendirdiği anlaşılabilmeli; patolog gerekçe görerek sonucu kabul etme, düzeltme veya reddetme yetkisine sahip olmalı. Sorumluluğun yalnız “son onay” butonuna aktarılması, çalışma sürecindeki kontrol kaybını çözmez. Olgusal geri bildirim ile model kayması izlenmelidir.
5. Güvenli başlangıç: yardımcı görevlerden aşamalı uygulama
Önce kalite kontrol, doku/tümör bölgesi işaretleme ve iş yükünü azaltan insan denetimli görevlerde pilot uygulama düşünün. Biyobelirteç skoru veya tedavi yanıtı öngörüsü gibi daha yüksek riskli işlevlerde klinik kullanım öncesi kapsamlı validasyon, mevzuat, maliyet, veri gizliliği ve geri dönüş planı gereklidir.
Neler henüz kanıtlanmış değil?
IASLC değerlendirmesi yöntemleri ve olası uygulamaları tartışan derlemedir; herhangi bir yazılım için tek başına ürün onayı, belirli duyarlılık veya güvenli klinik performans garantisi sunmaz. Özellikle H&E'den mutasyon çıkarımı, doğrulanmış EGFR/ALK/KRAS testlerinin eşdeğeri olarak raporlanmamalıdır.
Sonuç
Patolojide iyi yapay zekâ, yalnız doğru tahmin yapan değil; nerede hata yapabileceği görülebilen, yerel olarak doğrulanmış ve patolog denetiminde çalışan sistemdir.
Kaynak
- IASLC Patoloji Komitesi derlemesi, Journal of Thoracic Oncology, 2026. PMID: 43064238 · DOI
Daha fazlasını oku
- LCNEC'nin morfoloji ve moleküler heterojenliği: 20 Kasım
- Patolojide kontaminasyon/floater: kalite kontrol yaklaşımı
Bağımsız ve telif riski azaltılmış pratik sentezdir. Derlemenin özgün tabloları, şekilleri ve bölüm sırası kullanılmamıştır.
Etiketler: Dijital Patoloji · Yapay Zekâ · Torasik Patoloji · Validasyon · Moleküler Patoloji