Gastrik biyopsilerde Updated Sydney System, kronik gastritin histolojik değerlendirilmesinde en yaygın kullanılan çerçevelerden biridir. Sistem beş temel özelliğin ayrı ayrı derecelendirilmesine dayanır:

• mononükleer inflamasyon,
• nötrofilik aktivite,
• glandüler atrofi,
• intestinal metaplazi,
• Helicobacter pylori yoğunluğu. (1)

Ancak günlük pratikte bu beş parametrenin her biyopside ayrı ayrı ve tutarlı şekilde derecelendirilmesi zaman alıcıdır. Üstelik özellikle atrofi değerlendirmesi patologlar arasında önemli değişkenlik gösterebilir. Bu sorun yeni değil; Sydney sisteminin ilk yıllarından beri farklı çalışmalar en düşük gözlemciler arası uyumun çoğu kez atrofi değerlendirmesinde olduğunu göstermiştir. (2–4)

2026’da Histopathology’de yayımlanan Kim ve arkadaşlarının çalışması bu soruna yapay zekâ ile yaklaşarak, Sydney sisteminin bütün parametrelerini aynı anda değerlendiren SydneyMTL adlı bir model geliştirdi. (5)

Yapay zekâ neyi değerlendirdi?

Modelin önemli özelliği yalnızca H. pylori saptamak veya intestinal metaplaziyi bulmak gibi tek bir görev için geliştirilmemiş olması.

Aynı H&E tüm kesit görüntüsünden eş zamanlı olarak:

kronik inflamasyon + aktivite + atrofi + intestinal metaplazi + H. pylori

derecelendiriliyor. (5)

Bu, rutin patolog iş akışına daha yakın bir yaklaşım çünkü Sydney sistemi zaten bu parametreleri birbirinden bağımsız değil, aynı biyopsi seti üzerinden birlikte değerlendiriyor.

Model nasıl eğitildi?

Çalışmada rutin uygulamadan elde edilmiş 50 binin üzerinde tüm kesit görüntüsü kullanılmış.

Model “weakly supervised” bir yapı ile eğitilmiş; yani her hücrenin veya glandın patolog tarafından tek tek işaretlenmesine ihtiyaç duymadan, preparat düzeyindeki tanısal etiketlerden öğrenmiş. (5)

Bu yaklaşım dijital patoloji açısından önemli çünkü gerçek laboratuvarlarda on binlerce preparatı ayrıntılı anotasyonla etiketlemek pratik değildir.

Sonuç neydi?

Modelin Sydney parametrelerini değerlendirmedeki genel uyumu yaklaşık %90 düzeyindeydi.

Daha önemlisi performans yalnız tek bir uzman patologla karşılaştırılmadı.

Çalışmada:

• yaklaşık iki düzine uzman patolog,
• rutin tanı verileri,
• ayrıca konsensusla oluşturulmuş bir referans veri seti

kullanıldı. (5)

Dolayısıyla algoritmanın amacı “bir patolog gibi davranmak”tan çok, farklı patologlar arasında ortaya çıkan varyasyon içinde tutarlı bir referans oluşturmak olarak düşünülebilir.

AI desteği patologları birbirine yaklaştırdı

Çalışmanın belki de en klinik kısmı okuyucu çalışmasıydı.

Patologlar preparatları önce klasik biçimde, daha sonra AI yardımıyla değerlendirdi.

AI desteği ile:

• patologlar arasındaki uyum arttı,
• tam Sydney skorlaması için gereken süre yaklaşık üçte bir oranında azaldı. (5)

Bu oldukça önemli bir nokta.

Yapay zekânın burada en güçlü kullanım alanı:

tanıyı patologdan almak değil, tekrarlayan derecelendirme işini standardize etmek

olabilir.

Neden özellikle atrofi önemli?

Updated Sydney sistemindeki en problemli parametrelerden biri glandüler atrofidir.

Atrofi yalnızca “gland sayısı azalmış” demek değildir.

Normal antrum ve korpus mimarisi birbirinden farklıdır ve inflamasyon, biyopsi oryantasyonu, muskularis mukozanın görülmemesi ve intestinal metaplazi değerlendirmeyi zorlaştırabilir.

Eski gözlemci çalışmalarında intestinal metaplazi için uyum genellikle iyi iken, atrofi değerlendirmesinde uyum belirgin şekilde daha düşük bulunmuştur. (2–4)

Bu durum OLGA evrelemesini de etkileyebilir çünkü OLGA doğrudan atrofinin yaygınlığı ve derecesine dayanır. (6)

SydneyMTL burada ilginç bir çözüm getiriyor

Yeni model atrofiyi her preparatta zorla derecelendirmiyor.

Eğer muskularis mukoza görülmüyorsa ve atrofinin güvenilir değerlendirilmesi mümkün değilse, sistem ayrı bir:

“not applicable / değerlendirilemez”

kategorisi kullanıyor. (5)

Bu küçük görünen tasarım ayrıntısı aslında çok önemli.

Gerçek hayatta iyi bir patolog da yetersiz oryante edilmiş bir biyopsiye zorla “hafif atrofi” veya “atrofi yok” demez.

Dolayısıyla yapay zekânın klinik kullanışlılığı yalnız yüksek doğruluk değil:

neyi değerlendiremeyeceğini bilmesi

ile de ilişkili.

Atrofi neden patologlar arasında bu kadar değişiyor?

Birkaç temel neden vardır:

Biyopsi oryantasyonu

Mukozanın tam kalınlığı görülemiyorsa glandüler kaybı değerlendirmek zorlaşır.

Anatomik bölge

Antrum ve korpus doğal olarak farklı glandüler yapılara sahiptir.

İnflamasyon

Yoğun inflamasyon glandları birbirinden uzaklaştırarak yalancı atrofi izlenimi yaratabilir.

Metaplazi

İntestinal veya pseudopilorik metaplazi native glandların yerini aldığı için “atrofi” kavramının yorumunu etkiler.

Bu nedenle intestinal metaplazinin tanınması genellikle daha tekrarlanabilirken, glandüler atrofinin derecelendirilmesi daha subjektiftir. (3,4)

AI burada gerçekten ne görüyor?

Çalışma bir “black box” sistemin klinik sonuçlarını değerlendiriyor; algoritmanın karar verdiği tüm mikroskobik özellikleri tek tek patolog terminolojisine çevirmiyor.

Ancak teorik olarak model:

• gland yoğunluğu,
• gland/stroma oranı,
• inflamatuvar hücre yoğunluğu,
• nötrofiller,
• goblet hücreleri,
• yüzey ve glandüler H. pylori kolonizasyonu,
• mukozal mimari

gibi çok sayıda görüntü paternini birlikte değerlendirebilir.

Bu, patologların görsel olarak yaptığı derecelendirmenin sayısallaştırılmış ve çok değişkenli bir karşılığı olarak düşünülebilir.

H. pylori değerlendirmesinde yapay zekâ neden uygun?

H. pylori yoğunluğu Sydney sisteminin görece daha tekrarlanabilir parametrelerinden biridir. Eski çalışmalarda patologlar arasındaki uyum genellikle atrofiye göre oldukça yüksektir. (2)

Ancak sorun özellikle:

• düşük bakteri yoğunluğu,
• proton pompa inhibitörü kullanımı,
• yakın zamanda antibiyotik kullanımı,
• intestinal metaplazi,
• yalnız H&E değerlendirmesi

durumlarında ortaya çıkar.

AI burada özellikle tarama aracı olarak yararlı olabilir.

Algoritma şüpheli alanları öne çıkarır, patolog son değerlendirmeyi yapar.

Bu kullanım şekli dijital patolojide belki de tamamen otonom tanıdan daha gerçekçidir.

Sydney Sistemi ile OLGA/OLGIM arasındaki ilişki

Sydney sistemi gastritin histolojik özelliklerini derecelendirir.

OLGA ve OLGIM ise bu bilgiyi kullanarak hastanın gastrik kanser açısından preneoplastik riskini evrelemeye çalışır.

Kabaca:

Sydney → morfolojik derecelendirme

OLGA → atrofi temelli risk evrelemesi

OLGIM → intestinal metaplazi temelli risk evrelemesi

şeklinde düşünülebilir.

OLGIM'in geliştirilmesinin önemli nedenlerinden biri de intestinal metaplazinin patologlar arasında atrofiye göre daha tekrarlanabilir olmasıdır. (4,6)

Dolayısıyla Sydney derecelendirmesini daha standart hale getiren bir AI sistemi teorik olarak gelecekte OLGA/OLGIM evrelemesinin de daha tekrarlanabilir olmasına katkıda bulunabilir.

Ancak bu çalışma doğrudan gastrik kanser gelişimini öngören bir model değildir.

Bu ayrım önemli.

Örnekleme kötü ise AI da problemi çözemez

Sydney sisteminin temel koşullarından biri doğru biyopsi haritalamasıdır.

Klasik protokolde farklı anatomik bölgelerden örnekleme gerekir; antrum, korpus ve incisura angularis değerlendirmesi özellikle atrofi ve intestinal metaplazinin dağılımını anlamak açısından önemlidir. (1,7)

AI yalnız kendisine verilen preparatı değerlendirebilir.

Eğer endoskopist:

• yalnız tek antral biyopsi aldıysa,
• korpus örneklenmediyse,
• incisura değerlendirilmediyse,

algoritmanın yüksek doğrulukla çalışması eksik örnekleme problemini ortadan kaldırmaz.

Bu nedenle:

İyi AI, kötü biyopsi protokolünü düzeltemez.

Patolog açısından asıl kullanım alanı ne olabilir?

Bu çalışmanın verileri ışığında en gerçekçi senaryo şöyle görünüyor:

Patolog preparatı açar.

AI ön değerlendirme olarak:

• kronik inflamasyon: hafif,
• aktivite: yok,
• atrofi: orta,
• intestinal metaplazi: hafif,
• H. pylori: pozitif/düşük yoğunluk

gibi bir öneri oluşturur.

Patolog:

• görüntüyü kontrol eder,
• gerektiğinde skoru düzeltir,
• nihai raporu onaylar.

Bu model özellikle yüksek hacimli gastrointestinal biyopsi laboratuvarlarında iş yükünü azaltabilir.

En önemli kazanım doğruluk değil, standardizasyon olabilir

Gastrit derecelendirmesinde sorun patologların çoğu zaman ağır patolojiyi tanıyamaması değildir.

Sorun daha çok:

hafif mi orta mı?

veya

hafif atrofi gerçekten var mı?

gibi sınır alanlardır.

Yapay zekânın en güçlü katkısı bu sınırları her olguda aynı şekilde uygulamak olabilir.

Yani gelecekte AI'nin değeri:

patologdan daha iyi gastrit tanısı koymak değil, bugün “hafif” dediğimiz şeyi yarın da aynı şekilde “hafif” olarak değerlendirmemize yardımcı olmak

olabilir.

Patolog İçin Temel Mesajlar

• Updated Sydney System beş ana histolojik parametreyi değerlendirir: kronik inflamasyon, aktivite, atrofi, intestinal metaplazi ve H. pylori yoğunluğu.
• En problemli ve gözlemci değişkenliği yüksek parametrelerden biri atrofidir. (2–4)
• Yeni SydneyMTL modeli bu beş parametreyi aynı H&E preparatından eş zamanlı olarak derecelendirebiliyor. (5)
• Çok sayıda patologla yapılan karşılaştırmada genel uyum yaklaşık %90 düzeyinde bulundu. (5)
• AI yardımı patologlar arasındaki uyumu artırırken değerlendirme süresini yaklaşık üçte bir azaltabildi. (5)
• Atrofi güvenilir biçimde değerlendirilemiyorsa sistemin “not applicable” seçeneği kullanması, gerçek rutin pratiğe önemli bir uyarlamadır.
• AI, eksik veya yanlış anatomik örneklemeyi telafi edemez.
• Bu çalışma gastrik kanser riskini doğrudan tahmin etmiyor; Sydney skorlamasının daha hızlı ve daha tekrarlanabilir yapılmasını hedefliyor.

Sonuç

Gastrik biyopsiler yapay zekâ için oldukça uygun bir kullanım alanı olabilir.

Çünkü burada sorun çoğu zaman nadir bir tümörü tanımaktan çok, binlerce rutin biyopside aynı morfolojik özellikleri istikrarlı biçimde derecelendirmektir.

Kim ve arkadaşlarının çalışması da AI'nin patolojide en yakın dönem kullanım biçimlerinden birini gösteriyor:

otonom tanı değil, standardize edilmiş ikinci göz.

Updated Sydney System açısından bu yaklaşım özellikle anlamlı olabilir; çünkü bilgisayarın güçlü olduğu şey tam da patologların zorlandığı alan:

aynı kriteri binlerce preparatta yorulmadan ve aynı eşikle uygulamak.

Genel Kaynaklar ve Literatür

(1) Dixon MF, Genta RM, Yardley JH, Correa P.
Classification and grading of gastritis. The Updated Sydney System.
Am J Surg Pathol. 1996;20:1161-1181.
PMID: 8827022
https://pubmed.ncbi.nlm.nih.gov/8827022/

(2) Andrew A, Wyatt JI, Dixon MF.
Observer variation in the assessment of chronic gastritis according to the Sydney system.
Histopathology. 1994;25:317-322.
PMID: 7835836
DOI: 10.1111/j.1365-2559.1994.tb01349.x

(3) Chen XY, van der Hulst RWM, Bruno MJ, et al.
Interobserver variation in the histopathological scoring of Helicobacter pylori related gastritis.
J Clin Pathol. 1999;52:612-615.
PMID: 10645232
DOI: 10.1136/jcp.52.8.612

(4) Isajevs S, Liepniece-Karele I, Janciauskas D, et al.
Interobserver variation in assessment of gastric premalignant lesions: higher agreement for intestinal metaplasia than for atrophy.
Eur J Gastroenterol Hepatol. 2013.
PMID: 23337173
https://pubmed.ncbi.nlm.nih.gov/23337173/

(5) Kim HH, Jeong WC, Hwang Y, et al.
Comprehensive and reproducible grading of the Updated Sydney System in gastric biopsies using artificial intelligence: multi-pathologist validation and a reader study.
Histopathology. 2026. Online ahead of print.
PMID: 42601852
DOI: 10.1111/his.70258
https://pubmed.ncbi.nlm.nih.gov/42601852/

(6) Capelle LG, de Vries AC, Haringsma J, et al.
The staging of gastritis with the OLGA system by using intestinal metaplasia as an accurate alternative for atrophic gastritis.
Gastrointest Endosc. 2010.
PMID: 20381801
DOI: 10.1016/j.gie.2009.12.029

(7) Eriksson NK, Kärkkäinen PA, Färkkilä MA, Arkkila PET.
Impact of the angulus biopsy for the detection of gastric preneoplastic conditions and gastric cancer risk assessment.
J Clin Pathol. 2015.
PMID: 26163538
DOI: 10.1136/jclinpath-2015-202858