Pozitron Emisyon Tomografisi (PET) taramaları, özellikle kanser teşhisi ve yayılımını takip etmede hayati önem taşıyan medikal görüntüleme yöntemlerinin başında geliyor. Ancak PET taramasının kendisi, hem hastalar hem de sağlık sistemleri için lojistik bir kâbus. Uzun süren açlık, radyoaktif madde enjeksiyonu ve en az 12 saat süren izolasyon gerekliliği, bu süreci oldukça yorucu hale getiriyor. Daha da önemlisi, PET tarayıcıları ve radyoaktif izleyicileri üreten siklotronların sadece büyük şehirlerde yoğunlaşması, kırsal ve bölgesel alanlardaki hastaların bu hayati tanıya erişimini kısıtlıyor.
PET taramaları, sadece karmaşık ve pahalı olmakla kalmıyor, aynı zamanda radyoaktif maddeye olan bağımlılık nedeniyle coğrafi erişim açısından da büyük sınırlamalar getiriyor. Bu durum, özellikle erken teşhis gerektiren kanser hastaları için kritik bir darboğaz oluşturuyor.
RADiCAIT'ın Çığır Açan Çözümü: CT'yi PET'e Dönüştürmek
İşte tam bu noktada Oxford Üniversitesi'nin yeni girişimi olan ve merkezini Boston'a taşıyan RADiCAIT sahneye çıkıyor. Şirketin ana fikri basit ama devrim niteliğinde: Neden çok daha yaygın, erişilebilir ve uygun maliyetli olan Bilgisayarlı Tomografi (CT) taramalarını kullanarak, Yapay Zeka (AI) aracılığıyla sentetik PET taramaları üretmeyelim?
Bu ay sessizliğini bozan RADiCAIT, ön tohum finansmanında 1.7 milyon dolar topladı ve klinik denemeleri ilerletmek üzere 5 milyon dolarlık yeni bir yatırım turuna başladı. Şirketin CEO'su Sean Walsh, yaklaşımlarını şöyle özetliyor: “Radyolojideki en kısıtlı, karmaşık ve maliyetli tıbbi görüntüleme çözümünü aldık ve yerine en erişilebilir, basit ve uygun fiyatlı olanı, yani CT'yi ikame ettik.”Teknolojinin Kalbi: Üretken Derin Sinir Ağı
RADiCAIT'ın başarısının ardında, kurucu ortak ve Baş Tıbbi Bilgi Sorumlusu Regent Lee liderliğindeki ekip tarafından 2021 yılında Oxford'da icat edilen bir temel model yatıyor. Bu üretken derin sinir ağı, gerçek kimyasal PET taramaları ile CT taramalarını karşılaştırarak öğreniyor. RADiCAIT Baş Teknoloji Sorumlusu Sina Shahandeh'in ifadesiyle, model, anatomik yapıyı (CT) fizyolojik fonksiyona (PET) çevirerek “belirgin fiziksel olguları” birbirine bağlıyor.
Veri Dönüşümü ve Klinik Eşdeğerlik
Yapay zeka, öğrenme sürecinde belirli doku türleri veya anormallikler gibi kritik özelliklere odaklanarak, hangi desenlerin klinik açıdan önemli olduğunu tespit ediyor. Shahandeh, bu yaklaşımı Google DeepMind’ın protein yapısı tahmini alanında devrim yaratan AlphaFold sistemiyle karşılaştırıyor; her ikisi de bir tür biyolojik bilgiyi diğerine çevirmeyi öğreniyor. Şirket, klinik denemeler yoluyla, yapay zeka tarafından üretilen sentetik PET görüntülerinin, gerçek kimyasal PET taramalarıyla istatistiksel olarak benzer olduğunu kanıtladıklarını iddia ediyor. Bu, doktorların, radyologların veya onkologların tanı kalitesinde bir fark görmediği anlamına geliyor.
Eleştirel Bakış: Tamamen Alternatif mi?
RADiCAIT, kanser hücrelerini öldüren radyoligand tedavisi gibi spesifik terapötik durumlarda PET taraması ihtiyacının yerini almayı vadetmiyor. Ancak, şirket tanı, evreleme ve izleme amaçlı kullanılan PET taramalarını eski haline getirmeyi hedefliyor. CEO Walsh, mevcut sistemin kısıtlı olması nedeniyle tanı ve terapötik ihtiyaçları karşılayamadığını belirtiyor. RADiCAIT, tanı tarafındaki talebi karşılayarak, kimyasal PET tarayıcılarının yalnızca tedavi (teragnostik) tarafına odaklanmasını sağlamayı amaçlıyor. Bu ayrım, teknolojinin potansiyelini doğru bir şekilde anlamak açısından büyük önem taşıyor.
Klinik Pilotlar ve Gelecek Vizyonu
RADiCAIT, şimdiden Mass General Brigham ve UCSF Health gibi büyük sağlık sistemleriyle özellikle akciğer kanseri testi için klinik pilotlara başlamış durumda. Şirketin 5 milyon dolarlık tohum yatırımını kullanacağı ana hedef, FDA klinik denemelerinden geçmek. Bu onay sürecinden sonra ticari pilotlar ve ürünün ticari olarak uygulanabilirliğinin gösterilmesi hedefleniyor. Akciğer kanserinin yanı sıra, şirket aynı süreci kolorektal ve lenfoma vakaları için de uygulamayı planlıyor.
CTO Sina Shahandeh, AI yaklaşımlarının, pahalı ve zor testlerin yükü olmadan geçerli klinik öngörüler elde etmede “geniş ölçüde uygulanabilir” olduğunu belirtiyor. Gelecekte, radyolojinin ötesinde malzeme bilimi, biyoloji, kimya ve fizik gibi alanlarda da benzer yeniliklerin ortaya çıkmasını beklediklerini ekliyor.
Kaynak: Yapay zeka destekli tıbbi görüntüleme çözümleri hakkında daha fazla bilgi için TechCrunch'un ilgili haberine başvurulmuştur.
