Rutin Hastane Kayıtlarından Kanser Riski Tahmini: Oncoformer Ne Vadediyor?

Akciğer Kanseri Belirtileri: Erken Tanı İçin Dikkat Edilmesi Gereken İşaretler

İçeriği Görüntüle

Hastanelerde her gün milyonlarca laboratuvar sonucu ve görüntüleme kaydı oluşturuluyor. Çoğunlukla hastanın o andaki sağlık sorununu değerlendirmek amacıyla kullanılan bu veriler, zaman içinde bir araya getirildiğinde çok daha kapsamlı bir klinik tablo ortaya çıkarabilir.
Peki rutin hastane kayıtlarında bulunan ve tek başına anlamlı görünmeyen küçük değişimler, kanserle ilişkili örüntülerin daha erken fark edilmesini sağlayabilir mi?
Bilim insanları bu sorudan hareketle Oncoformer adı verilen çok modlu bir yapay zekâ modeli geliştirdi. Cell dergisinin resmî hesabından 27 Temmuz 2026 tarihinde yapılan çevrim içi yayın duyurusuna göre model; günlük sağlık hizmetleri sırasında elde edilen rutin laboratuvar testleri ile göğüs röntgenlerini birlikte değerlendiriyor. Araştırmanın 3,6 milyondan fazla kişinin kayıtlarını kapsadığı bildiriliyor.
Tek bir sonuca değil, zaman içindeki örüntüye bakıyor
Oncoformer’ın temel özelliği, hastanın yalnızca belirli bir tarihteki laboratuvar sonucuna veya tek bir göğüs röntgenine odaklanmaması.
Model, farklı tarihlerde oluşturulan rutin klinik verileri uzunlamasına değerlendirerek zaman içinde meydana gelen değişimleri belirlemeye çalışıyor. Böylece tek başına dikkat çekmeyebilecek bazı ölçümlerin ve görüntü özelliklerinin birlikte nasıl bir örüntü oluşturduğu inceleniyor.
Laboratuvar sonuçları ile göğüs röntgenlerinden elde edilen verileri aynı modelde birleştirmesi nedeniyle Oncoformer, çok modlu bir yapay zekâ modeli olarak tanımlanıyor. Cell tarafından yapılan duyuruda modelin mevcut kanserlerin belirlenmesi, tümör evresinin tahmini, tedavi yanıtının sınıflandırılması ve hastalığın tekrarlama riskinin değerlendirilmesi gibi görevlerde incelendiği belirtiliyor.
Kanser tanısı koymuyor, kanserle ilişkili örüntüleri belirliyor
Bir yapay zekâ modelinin araştırma verilerinde kanser bulunan ve bulunmayan kişileri birbirinden ayırabilmesi, sistemin hastanede tek başına kanser tanısı koyabileceği anlamına gelmiyor.
Oncoformer’ın ürettiği sonuçlar, belirli hasta kayıtlarında kanserle ilişkili olabilecek örüntülerin bulunduğuna işaret eden bir risk değerlendirmesi olarak düşünülmeli. Bu tür bir sonuç ancak hekim muayenesi, uygun görüntüleme yöntemleri, patolojik inceleme ve gerektiğinde biyopsi gibi standart klinik süreçlerle birlikte anlam kazanabilir.
Modelin gelecekteki muhtemel kullanım alanlarından biri, rutin kayıtlarında dikkat çekici değişimler bulunan kişilerin ileri inceleme için önceliklendirilmesi olabilir. Ancak bu olası yararın gerçek hastane koşullarında ve ileriye dönük klinik araştırmalarda henüz gösterilmesi gerekiyor.
Tedavi yanıtı ve nüks riski de araştırıldı
Çalışmanın duyurusunda Oncoformer’ın, tümör evresini tahmin etmenin yanı sıra tedavi yanıtı ve hastalığın tekrarlama riski açısından hastaları sınıflandırmak amacıyla da değerlendirildiği bildirildi.
Bu bulgular, yapay zekânın gelecekte yalnızca kanser riskinin belirlenmesinde değil, hastaların izlenmesinde ve klinik kararların desteklenmesinde de kullanılabileceğini düşündürüyor.
Bununla birlikte “tedavi yanıtını öngörmek”, modelin bütün kanser türleri için en uygun ilacı veya tedaviyi seçebildiği anlamına gelmiyor. Hangi kanser türlerinin, tedavilerin ve hasta gruplarının değerlendirildiği; modelin hangi koşullarda daha iyi veya daha düşük performans gösterdiği özgün makalenin yöntem ve sonuç bölümleri üzerinden incelenmeli.
Kanser tedavisi; tümörün türü, evresi ve moleküler özelliklerinin yanı sıra hastanın genel sağlık durumu, eşlik eden hastalıkları ve kişisel tercihleri birlikte değerlendirilerek planlanıyor. Yapay zekâ bu sürece yardımcı olabilir ancak klinik kararın yerini alamaz.
En önemli avantajı, zaten toplanan verilerden yararlanması
Oncoformer’ın dikkat çekici yönlerinden biri, değerlendirme yapabilmek için özel olarak geliştirilmiş yeni ve pahalı bir testten ziyade günlük sağlık hizmetleri sırasında zaten oluşturulan laboratuvar sonuçlarından ve göğüs röntgenlerinden yararlanması.
Model farklı sağlık sistemlerinde güvenilir biçimde doğrulanırsa hastanelerdeki rutin kayıtların yalnızca geçmiş işlemlerin saklandığı bir arşiv olmaktan çıkarak klinik bir erken uyarı sistemi gibi kullanılabilmesi mümkün olabilir.
Özellikle uzun süre takip edilen ve farklı tarihlerde çok sayıda tetkiki bulunan kişilerde, insan gözüyle fark edilmesi güç değişim örüntüleri yapay zekâ tarafından belirlenebilir.
Ancak bu, şu an için geleceğe yönelik bir olasılıktır. İstatistiksel olarak başarılı görünen bir modelin hastaların sağlık sonuçlarını gerçekten iyileştirip iyileştirmediği, ancak gerçek yaşam koşullarında yapılacak araştırmalarla anlaşılabilir.
Kaynaklara ilişkin önemli açıklama
Bu haber hazırlanırken, çalışmanın Cell dergisinde çevrim içi yayımlandığına ilişkin 27 Temmuz 2026 tarihli resmî duyuruya ulaşılmış; ancak özgün makalenin tam metin sayfası, DOI numarası, ayrıntılı yöntem bölümü ve ek veri dosyaları bağımsız olarak doğrulanabilir biçimde erişilebilir bulunamamıştır.
Bazı ikincil haberlerde araştırmanın kesin katılımcı sayısı, klinik başvuru sayısı, dış doğrulama veri kümesi ve AUROC performans değerleri gibi ayrıntılar paylaşılmaktadır. Bununla birlikte bu sayılar özgün makalenin tam metninden doğrulanamadığı için bu haberde kullanılmamıştır. İkincil haberde yer alan sonuçlar, özgün bilimsel makalenin yerine birincil kanıt olarak değerlendirilmemelidir.
Bu nedenle Oncoformer’ın hangi kanser türlerinde, hangi hasta gruplarında, hangi zaman aralıklarında ve hangi performans düzeyinde değerlendirildiğine ilişkin ayrıntılar, özgün makale ve ek dosyalar erişilebilir olduğunda yeniden kontrol edilmelidir.
Bilimsel habercilik açısından bu sınırlılığın okuyucuya açıkça bildirilmesi; umut verici bir araştırmanın, kanıtların izin verdiğinden daha kesin veya daha ileri bir klinik gelişme gibi sunulmasını önlemek bakımından önem taşıyor.
Geçmiş kayıtlarla elde edilen başarı klinik başarı anlamına gelmiyor
Erişilebilen ikincil bilgiler, çalışmanın geçmiş klinik kayıtlar kullanılarak gerçekleştirildiğine işaret ediyor. Geriye dönük çalışmalarda model, sonuçları daha önceden bilinen veriler üzerinde geliştirilip değerlendiriliyor.
Bir modelin geçmiş kayıtlar üzerinde kanser bulunan ve bulunmayan kişileri başarılı biçimde ayırması, hastanede gerçek zamanlı olarak kullanıldığında aynı sonucu vereceğini garanti etmez.
Oncoformer’ın klinik kullanıma yaklaşabilmesi için farklı ülkelerde, çeşitli hastane sistemlerinde ve bağımsız hasta topluluklarında doğrulanması gerekiyor. İleriye dönük çalışmalarda modelin yalnızca teknik performansı değil; gereksiz tetkikleri artırıp artırmadığı, tanı süresini kısaltıp kısaltmadığı ve hasta sonuçlarını iyileştirip iyileştirmediği de incelenmeli.
Yanlış sonuçların hastalar açısından bedeli olabilir
Kanser riskini tahmin eden bir sistemde yalnızca doğru belirlenen vaka sayısına bakmak yeterli değildir.
Kanseri bulunmayan bir kişinin yüksek riskli gösterilmesi, gereksiz görüntüleme incelemelerine, biyopsilere, ek sağlık harcamalarına ve ciddi kaygıya neden olabilir. Kanseri bulunan bir kişinin düşük riskli değerlendirilmesi ise ileri incelemenin gecikmesine yol açabilir.
Bu nedenle modelin değerlendirilmesinde duyarlılık ve özgüllüğün yanı sıra pozitif öngörü değeri, yanlış alarm oranı ve gözden kaçırılan vaka sayısı gibi ölçütlerin de açıklanması gerekir.
Yüksek bir AUROC veya benzeri genel performans değeri, modelin her hastada doğru sonuç verdiği ya da bildirilen rakamın doğrudan “doğruluk yüzdesi” olduğu anlamına gelmez.
Sağlık verilerinin kullanımı etik ve hukuki sorumluluklar doğuruyor
Oncoformer benzeri sistemlerin geliştirilmesi, milyonlarca kişiye ait laboratuvar ve görüntüleme verisinin işlenmesini gerektiriyor. Bu durum hasta mahremiyeti, veri güvenliği, bilgilendirme, algoritmik şeffaflık ve hesap verebilirlik açısından güçlü koruma mekanizmaları gerektiriyor.
Dünya Sağlık Örgütü, sağlıkta yapay zekâ sistemlerinin geliştirilmesi ve kullanılmasında insan özerkliğinin, güvenliğin, şeffaflığın, sorumluluğun, kapsayıcılığın ve eşitliğin korunması gerektiğini vurguluyor.
FDA, Health Canada ve Birleşik Krallık İlaç ve Sağlık Ürünleri Düzenleme Kurumu tarafından geliştirilen ilkeler de yapay zekâ destekli tıbbi sistemlerin kullanım amacı, performansı, sınırlılıkları ve olası önyargıları konusunda sağlık çalışanlarına ve hastalara açık bilgi verilmesini öneriyor.
Modelin eğitildiği hasta grubu toplumun tamamını yeterince temsil etmiyorsa yaş, biyolojik cinsiyet, eşlik eden hastalıklar veya sağlık hizmetlerine erişim farklılıkları nedeniyle bazı gruplarda daha düşük performans göstermesi mümkün olabilir.
Bu nedenle genel başarı değerlerinin yanında modelin farklı hasta gruplarındaki sonuçlarının, veri eksikliklerinin ve olası algoritmik önyargılarının da açıklanması gerekiyor.
Kanser bakımında yeni bir erken uyarı aracı olabilir mi?
Oncoformer, hastanelerde hâlihazırda bulunan rutin verilerin kanserle ilişkili örüntüleri belirlemek için kullanılabileceğini düşündüren dikkat çekici bir araştırma yaklaşımı sunuyor.
Yapay zekâ, gelecekte uzun yıllara yayılan laboratuvar sonuçları ve görüntüleme kayıtları arasındaki karmaşık ilişkileri inceleyerek hekimlerin dikkatini belirli hastalara daha erken yöneltebilir.
Ancak umut verici bir araştırma modeli ile rutin klinik kullanımda güvenle uygulanabilen bir tıbbi araç arasında önemli bir mesafe bulunuyor.
Oncoformer’ın gerçek klinik değeri; özgün makalenin ayrıntılı biçimde incelenmesine, sonuçların bağımsız araştırma gruplarınca doğrulanmasına, ileriye dönük gerçek yaşam çalışmalarında hasta yararının gösterilmesine ve veri güvenliğini önceleyen şeffaf bir yönetişim sisteminin kurulmasına bağlı olacak.
Editör Notu
Oncoformer, uzun dönemli rutin klinik veriler üzerinde değerlendirilen araştırma aşamasındaki bir yapay zekâ modelidir. Mevcut bilgiler, modelin rutin klinik kullanım için hazır bir kanser tarama, tanı veya tedavi karar aracı olarak değerlendirilmesi için yeterli değildir.
Modelin ürettiği bir risk sonucu, kişide kesin olarak kanser bulunduğu anlamına gelmez. Hekim değerlendirmesinin, mevcut tarama programlarının, radyolojik incelemelerin, patolojik değerlendirmenin veya biyopsinin yerine kullanılamaz.
Bu haber hazırlanırken özgün makalenin tam metni ve DOI kaydı bağımsız olarak doğrulanamadığından, ikincil kaynaklarda bildirilen ayrıntılı performans değerlerine haberde yer verilmemiştir. Özgün makale erişilebilir olduğunda veri kapsamı, yöntem, etik kurul açıklaması, çıkar çatışmaları ve performans sonuçları yeniden değerlendirilmelidir.
Kaynaklar
Cell dergisinin “Advancing cancer detection and treatment using longitudinal routine clinical data” başlıklı çalışma için yaptığı çevrim içi yayın duyurusu, 27 Temmuz 2026.
TrialSiteNews, Oncoformer araştırmasına ilişkin ikincil haber, 28 Temmuz 2026. Bu kaynak yalnızca çalışmaya ilişkin ek iddiaların varlığını göstermek amacıyla kullanılmış; özgün makalenin yerine birincil bilimsel kanıt olarak değerlendirilmemiştir.
Dünya Sağlık Örgütü, Ethics and Governance of Artificial Intelligence for Health, 2021.
FDA, Health Canada ve MHRA, Transparency for Machine Learning-Enabled Medical Devices: Guiding Principles.