Yapay Zeka radyoterapinin geleceğini nasıl inşa ediyor?  Yapay zeka (AI), yakın gelecekte radyasyon tedavisinin planlama sürecini optimize edebilir ve hastaların bekleme süresini iki haftadan bir saate kadar kısaltabilir.   #Futureshaper serimizin bu bölümünde, Siemens Healthineers’ın bu hedefe doğru nasıl ilerlediğini öğrenebilirsiniz. 

İster bir uzman hekimle olan randevunuzu ister eczanede ilacınızı isterseniz de isminizin bekleme odasında söylenmesini bekliyor olun. Tıbbi bakım için - ve aslında her şey için- uzun bekleme süreleri hepimizi mutsuz eder. Kaldı ki bazı durumlarda, uzun bekleme süreleri hayati tehlikeler de arz edebiliyor. Örneğin, kanser hastalarının acilen ihtiyaç duydukları radyasyon terapisine başlamak için bekledikleri süre tam olarak bu tür bir tehlike arz ediyor.  

Kanser tedavisindeki radyoterapi pek çok farklı adımı ve teknolojiyi içeren karmaşık bir süreçten oluşuyor. Tedavinin planlaması için ise, terapinin doktor tarafından yazılmasından tedavinin  başlamasına kadar, uzun bir zaman dilimi gerektiriyor. Günümüzde bu planlama neredeyse iki hafta sürüyor. Siemens Healthineers, Yazılım & Konsept Tanımlama ve Kanser Terapisi Görüntüleme Başkanı Fernando Vega,  “Söz konusu kanser olduğunda, zaman hayati bir faktör. Bazı durumlarda yaşam ve ölüm arasındaki ince çizgiyi belirleyebilir” diyerek kanser tedavisi planlamasındaki zaman problemine dikkat çekiyor.  

Vega ve ekibi, bu uzun bekleme sürelerine bir çözüm bulmak istiyor. Yapay zeka tarafından eğitilmiş büyük dil modelleri, insanlar ve makineler arasındaki konuşma etkileşiminde devrim yaratmanın eşiğindeyken, Vega ve ekibi ise tamamen farklı ve nadir görülen türden bir yapay zeka devrimi gerçekleştirmek için klinik ortaklarla yakın iş birliği yapıyorlar. 

Vega oturuyor, bilgisayarına dikkat kesilmiş, karşısında ise bir kanser hastasının CT, PET-CT ve MRI taramalarını gösteren birden fazla monitör var.  Bir hastanın beyninin sol yarısında büyüyen tümör, ekranlarda parlak bir şekilde görünüyor ve belirgin bir şekilde kontrast gösteriyor. 

Aslen Kolombiyalı olan Fernando Vega, bir bilgisayar bilimci ve tıbbi görüntüleme ve yazılım uygulamaları uzmanı. Siemens Healthineers’da Varian iş alanının “Kanser Tedavisi Görüntüleme” biriminde Yazılım ve Konsept Tanımlama yöneticisi.  

Projedeki çıkış noktalarını “Kendimize radyasyon tedavisi planlama ve sağlama iş akışının tamamını nasıl optimize edebilir ve hızlandırabiliriz? Bunu, yapay zekanın yardımıyla nasıl başarabiliriz?’” sorusunu sorarak başladıklarını söylüyor. 

Vega ve çeşitli iş alanlarından geniş bir meslektaş ekibi, hep birlikte bu soruyu cevaplamak için çalışıyor. Siemens Healthineers halihazırda radyoterapi için kapsamlı bir ekipman ve sistem portföyü sunuyor ancak yapay zeka entegrasyonu çok daha fazlasınını mümkün kılabilir. 

Peki yapay zeka, iş akışında tam olarak neyi geliştirebilir? Bunu anlamak için günümüzde kullanılan süreci incelememiz gerekiyor. Temel olarak, radyoterapinin reçete edildiği andan radyasyon tedavisi başlayana kadar dört adım atılıyor: 

Bu ilk adımda, radyasyon onkoloğu, hastadaki güncel bulguları inceler ve kanser hastasıyla radyasyonun potansiyel yararlarını, risklerini ve türünü görüşür. 

Ardından radyasyon onkoloğu bu bilgiyi bir onkoloji bilgi sistemine girer. Son derece hassas tıbbi görüntüler olan bu görüntüler bir sonraki tedavi için temel oluşturduğu için, doktorun planlama ekibi daha sonra bir görüntüleme randevusu ayarlamak için hastayla koordineli olarak çalışır. İdeal olarak, hasta için birkaç gün içinde bir randevu planlanır. Böylelikle sürecin ilk adımı tamamlanır. 

Vega yapay zeka tarafından geliştirilen iş akışında bu senaryonun nasıl sonuçlanacağını özetliyor. Hastaya danışma, radyasyon tedavisi yazma ve bilgi sistemine veri girişi gibi ilk adımlar aynı kalacak. Bununla birlikte, takip randevusu planlaması, onkoloji bilgi sistemindeki yapay zeka tarafından kontrol edilecek. Bu sistemi Vega şöyle açıklıyor: "Yapay zeka, depolanan bilgilere göre hastanın tam olarak ne tür taramaya ihtiyacı olduğunu bilir ve ayrıca hangi tarayıcının en kısa sürede hasta için kullanılabilir olduğunu görebilir. Böylelikle de bekleme süreleri azalabilir.”

İkinci adım olan, radyasyon tedavisi öncesinde yapılan temel görüntüleme, tıpkı birinci adımdaki gibi yapay zeka tarafından belirlenebiliyor.  

Üçüncü adım, süreç içindeki en karmaşık ve en uzun zaman alan operasyonu kapsıyor. Bu adımda üç boyutlu bir radyasyon planı oluşturuluyor. Günümüzde kanser hastaları bu işlemin gerçekleşmesi için birkaç gün beklemek zorunda kalabiliyor çünkü titizlikle detaylandırılmış bir çalışmada, tıp uzmanlarından oluşan bir ekip, pek çok aktiviteyi birbirlerine paslayarak çalışıyor.  

Planlama sürecinin bir kısmı, karmaşık ve zaman alıcı bir adım olan konturlama adını verdiğimiz bir evreden oluşur. Tıbbi görüntülerde (yani CT, PET-CT ve/veya MR taramalarında), tedavi edilecek alan - örneğin tümörler - çevredeki sağlıklı dokudan ayrılır. Radyasyon tedavisi sırasında korunması gereken risk altındaki organlar açıkça tanımlanır. 

Standart bir klinik uygulamada, söz konusu ülke veya hastaneye bağlı olarak, risk altındaki organların bu şekilde şekillendirilmesinin radyasyon onkolojisi bölümünde bulunan yerleşik doktorlar, tıbbi teknik radyoloji asistanları , tıbbi fizikçiler veya tıbbi dozimetristler tarafından gerçekleştiriliyor.  Ancak, bu manuel işlem hataya açık. Otomatik konturlama, risk altındaki organların otomatik konturlanmasını sağlayarak, bu hataya açık adımda iyileştirmelere yol açabilir. 

Radyasyon planlaması ancak risk altındaki organlar şekillendirildikten sonra devam edebilir: Vega'nın açıkladığı üzere, "Hastalar bu aşamada da bekleme süreleriyle uğraşmak zorundalar." Bu süre içinde radyasyon onkoloğu organ konturunu gözden geçirir, ardından tedavi edilecek alanları (tümörler gibi) tanımlar ve en sonunda doz planlaması için hastanın dijital anatomisini onaylar. 

Doktor ve dolayısıyla hasta da, bu arada bekler. Medikal doktor, yalnızca risk altındaki organlar ve hedef alanlar açıkça tanımlanıp onaylandıktan sonra, fraksiyonasyon olarak adlandırılan süreçte bireysel radyasyon seanslarının tam dozunu hesaplamaya başlayabilir. Doz hesaplama planın da radyasyon onkoloğunun onaylanması gerekir. Hasta radyasyon tedavisine başlamaya hazır hale getirilmeden önce bu adımın da tamamlanması gerekir. 

Peki Vega ve ekibi öngörülen yapay zeka destekli iş akışı yoluyla neyi geliştirebilir? Vega, "Bu sürece dahil olan herkes için bekleme sürelerini minimuma indirebilir ve radyoterapiyi her hasta için daha bireysel hale getirebiliriz" diyor. Yapay zeka, planlama adımları arasındaki koordinasyonu iyileştirebilir. Tarayıcıların önceden her hastanın ihtiyaçlarına ve uygulanacak tedaviye en uygun şekilde ayarlanmasıyla konturlamadaki hatalar azaltılabilir. Ek olarak, planlama için daha kesin bilgiler, örneğin tümör hareketi, tümör hücresi yayılması ve tedavinin başarılı olma olasılığı gibi kişiselleştirilmiş görüntülemeden toplanabilir. 

Sürecin dördüncü adımı ve en önemlisi olan radyasyon tedavisi için günümüzdeki iş akışında tümör, bir lineer hızlandırıcı (LINAC) kullanılarak kısa dalga radyasyonla tedavi edilir. Amaç, kanser hücrelerini öldürmek ve daha fazla hücre bölünmesinin oluşmasını önlemektir. Doz miktarlarının uygulandığı tedavi randevularının planlanması genellikle birkaç haftayı bulur. 

Peki yapay zeka, bu iş akışını nasıl iyileştirebilir?  Vega, "Örneğin, akciğer kanseri vakalarında, tümörler görüntüde otomatik olarak tanımlanabiliyor ve radyasyon gerçek zamanlı olarak hastanın nefes alma hareketlerine göre öngörülebilir şekilde ayarlanabiliyor. Bu bize daha kesin sonuçlar verebilir" diye açıklıyor. 

Sürecin dördüncü adımı ve en önemlisi olan radyasyon tedavisi için günümüzdeki iş akışında tümör, bir lineer hızlandırıcı (LINAC) kullanılarak kısa dalga radyasyonla tedavi edilir. Amaç, kanser hücrelerini öldürmek ve daha fazla hücre bölünmesinin oluşmasını önlemektir. Doz miktarlarının uygulandığı tedavi randevularının planlanması genellikle birkaç haftayı bulur. 

Peki yapay zeka, bu iş akışını nasıl iyileştirebilir?  Vega, "Örneğin, akciğer kanseri vakalarında, tümörler görüntüde otomatik olarak tanımlanabiliyor ve radyasyon gerçek zamanlı olarak hastanın nefes alma hareketlerine göre öngörülebilir şekilde ayarlanabiliyor. Bu bize daha kesin sonuçlar verebilir" diye açıklıyor. 

Özetle günümüzde radyoterapi planlaması için tıbbi bir ekibin pek çok sistem ve iş akışlarını koordine etmei gerektiğinden, bu süre hem hasta hem de profesyoneller açısından maalesef büyük bir zaman kaybına sebep oluyor. 

Vega, gelecekte tüm bu sistemlerin yapay zeka sayesinde "tek olarak" düşünebilmesi halinde, neredeyse hiç bekleme süresinin kalmayacağını söylüyor ve ekliyor: "Vizyonumuz, radyoterapinin reçete edildiği an ile gerçek radyasyon tedavisinin başladığı an arasındaki bekleme süresini sadece birkaç saate indirmek.”

Yapay zeka ayrıca tüm terapi sürecinin kişiye özel hazırlanarak daha iyi tedavi sonuçlarına ulaşmamızı sağlayabilir ve böylelikle, zamandan tasarruf da göz önünde bulundurulunca, insanların daha uzun yaşamasına yardımcı olabilir.  

Yapay zeka tekrarlayıp duran ve yinelenen görevleri hızlandırabileceğinden, günlük klinik rutinlere de fayda sağlayacaktır. Bu, klinik personelin üzerindeki yükü hafifletebilir ve verimliliği artırarak maliyetlerin düşürülmesine yardımcı olabilir. 

"Tüm bu vizyonu cihazlarımıza ve sistemlerimize uygulayabilene kadar önümüzde çok yol var." diyen Vega, özellikle ön geliştirme projesinin ölçeklenebilir olması gerektiği düşünüldüğünde, bu gerçeğin gayet farkında. İleriye dönük olarak, erken kanser tespiti için görüntüleme ve laboratuvar teşhisi gibi ek alanlar, yapay zeka için optimize edilmiş iş akışına entegre edilebilir. Tüm bunların amacı ise kanser merkezleri için, erken teşhisten takip ve bakımına kadar tüm kanser tedavisi süreci boyunca kapsamlı, tam bakım sağlayan sağlam, ağ bağlantılı bir çözüm oluşturmak.