Yeni Bir Çağ: Kanserde Büyük Veri ve Yapay Zeka

Bio. İsmigül Akın, MSc.

Kanser, dünya genelinde en önemli morbidite ve mortalite nedenlerinden biridir. Dünya Sağlık Örgütü verilerine göre her yıl milyonlarca yeni vaka tanımlanmakta, tedaviye erişim ve yanıt oranları ülkeler arasında büyük farklılık göstermektedir.

Kanser, genetik ve çevresel faktörlerin karmaşık etkileşimi sonucu ortaya çıkan, heterojen ve multifaktöriyel bir hastalık grubudur. Klasik tedavi yaklaşımlarının yanında hedefe yönelik tedaviler ve immünoterapiler son yıllarda önemli başarılar sağlamış olsa da, tümörlerin biyolojik çeşitliliği ve genetik heterojenitesi tedaviye yanıtın öngörülmesini zorlaştırmaktadır.

Bu noktada, çoklu omik teknolojilerin ürettiği yüksek boyutlu veriler, elektronik sağlık kayıtları, biyomedikal görüntüleme ve klinik verilerin bir araya gelmesi “büyük veri” kavramını gündeme getirmiştir. Bu çeşitliliği anlamlandırmak için yüksek kapasiteli dizileme teknolojileri (NGS), proteomik ve epigenetik analiz yöntemleri kullanılmakta; bu da çok katmanlı ve yüksek hacimli veri setlerinin ortaya çıkmasına yol açmaktadır. Büyük veri (big data) kavramı, bu yüksek hacimli ve yüksek çeşitlilikteki biyomedikal bilgiyi ifade eder. Tek başına anlamlandırılması zor olan bu verilerin analizi, yapay zekâ ve makine öğrenmesi yöntemlerinin entegrasyonu ile mümkün hale gelmiştir. Böylece, klinik karar süreçleri daha objektif ve kişiselleştirilmiş bir temele oturtulabilmektedir.

Kanser Araştırmalarında Büyük Veri Kaynakları

Kanserde büyük veri farklı katmanlardan oluşur:

• Genomik veriler: DNA mutasyonları, kopya sayısı değişiklikleri, kromozomal yeniden düzenlenmeler

• Transkriptomik veriler: RNA ekspresyon profilleri, alternatif ekzon varyantları

• Epigenetik veriler: DNA metilasyon paternleri, histon modifikasyonları

• Proteomik ve metabolomik: Protein ekspresyonları, metabolit profilleri

• Klinik veriler: Hasta öyküsü, tedavi geçmişi, laboratuvar parametreleri

• Görüntüleme verileri: Radyolojik (CT, MRI, PET) ve dijital patoloji görüntüleri

• Açık kaynak veri tabanları: The Cancer Genome Atlas (TCGA), COSMIC

Bu kaynakların birlikte analizi, tümör biyolojisini daha bütüncül bir bakış açısıyla anlamamıza imkân tanır.

2025 yılının başlarında Weill Cornell Medicine tarafından yayımlanan bir çalışma, metastatik sürecin genetik karmaşıklığını aydınlatmış ve kanserin yayılımında, tek bir “sürücü mutasyon”dan ziyade, çok katmanlı genetik ağların etkili olduğunu göstermiştir. Bu bulgular, metastazın lineer bir süreç değil, farklı klonların zamansal olarak değişen etkileşimleriyle şekillenen dinamik bir biyolojik olay olduğunu ortaya koymuştur. Bu da, metastazın öngörülmesi ve hedeflenmesinde “büyük veri destekli sistem biyolojisi” yaklaşımlarının gerekliliğini vurgulamaktadır.

Yapay Zekâ ve Makine Öğrenmesinin Temelleri

Yapay Zekâ ve Makine Öğrenmesi, büyük verilerden anlamlı örüntüler çıkarmak için kullanılan algoritmalardır:

• Gözetimli öğrenme: Klinik sonucu bilinen verilerle model eğitilerek tedavi yanıtı tahmini yapılır.

• Gözetimsiz öğrenme: Alt tiplerin belirlenmesi, biyobelirteç keşfi için kümelenme yöntemleri kullanılır.

• Derin öğrenme (Deep Learning): Özellikle görüntüleme verilerinde, tümör sınıflandırma ve histopatolojik analizlerde çığır açmıştır.

• Çoklu veri entegrasyonu: Multi-omics, klinik ve görüntüleme verilerinin tek bir modelde işlenmesi ile daha güçlü prediktif modeller geliştirilir.

Örneğin, evrişimsel sinir ağları (CNN=convolutional neural network), dijital patoloji slaytlarından tümör alt tiplerini yüksek doğrulukla sınıflandırabilirken, genomik verilerle birlikte işlendiğinde daha güçlü prognostik öngörüler sunmaktadır.

Stanford Medicine ekibinin 2025 yılında yaptığı bir çalışmada, DNA dizilerindeki varyasyonların bireylerin yaşam boyu kanser riskini tahmin etmede kullanılabileceğini göstermiştir. Bu çalışma, yapay zekâ destekli genom analizlerinin yalnızca hastalık tanısında değil, önleyici onkolojide de devrim yaratabileceğini göstermektedir. Model, 3 milyon kişilik veri setinden öğrenerek, bireysel risk profillerini yüksek doğrulukla öngörebilmiştir.

Klinik Uygulamalara Yansıması

Son yıllarda birçok klinik çalışma, yapay zekâ tabanlı algoritmaların tanı ve tedavi süreçlerinde kullanılabileceğini göstermektedir. Örneğin, akciğer kanseri hastalarında yapay zekâ tabanlı radyomik modeller, immünoterapiden fayda görecek hasta gruplarını belirlemede umut verici sonuçlar ortaya koymuştur. Benzer şekilde, hematolojik malignitelerde genetik profilleme ile tedavi yanıtı tahmininde başarı oranı artmıştır.

Yeni nesil çalışmalar (ör. Stanford, 2025; Weill Cornell, 2025), yapay zekânın yalnızca mevcut hastalık verisini analiz etmekle kalmayıp, kanser gelişimini önceden öngörme kapasitesine ulaştığını göstermektedir. Bu da, onkolojinin geleceğinde “proaktif” bir yaklaşımın mümkün olabileceğini işaret etmektedir.

Zorluklar ve Etik Boyut

Her ne kadar umut verici olsa da, yapay zekâ ve büyük veri kullanımında bazı zorluklar vardır:

• Veri gizliliği ve hasta mahremiyetinin korunması

• Veri heterojenliği ve standardizasyon eksiklikleri

• Yapay zekâ modellerinin açıklanabilirliği (“kara kutu” sorunu)

• Klinik entegrasyonda regülasyon eksiklikleri

Etik açıdan, algoritmaların önyargılı sonuçlar üretme riski de göz önünde bulundurulmalıdır.

Gelecekte federatif öğrenme, farklı merkezlerdeki verilerin mahremiyet korunarak analiz edilmesine imkân verecek; dijital ikiz yaklaşımları, hasta bazlı simülasyonlarla tedavi planlamasında devrim yaratacaktır.

Ayrıca, kuantum destekli yapay zekâ yöntemleri, daha karmaşık veri setlerinin işlenmesini mümkün kılabilir.

Genomik risk analizlerinin bireyselleşmesi (Stanford) ve metastatik sürecin genetik ağlarla modellenmesi (Weill Cornell) ile birlikte, kanser biyolojisi artık “statik bir hastalık” değil, dinamik ve öngörülebilir bir sistem olarak değerlendirilmektedir.

Sonuç olarak, büyük veri ve yapay zekâ, kanser genetiği ve terapötik uygulamalarda yeni bir yaklaşımın öncüsüdür.

Bu teknolojiler, kişiselleştirilmiş onkolojiyi gerçek bir klinik standart haline getirme potansiyeline sahiptir.

Ancak, klinik uygulamaya entegrasyon sürecinde metodolojik, etik ve regülasyonel engellerin aşılması kritik öneme sahiptir.

Geleceğin onkolojisi, yalnızca hastalığı tedavi eden değil, veriyle hastalığı önceden öngören bir döneme doğru evrilmektedir.

Kaynakça

1. Esteva, A., & Topol, E. J. (2024). Deep learning for oncology: Applications in diagnosis, treatment, and discovery. Nature Reviews Cancer, 24(2), 89–104.

2. Kourou, K., Exarchos, T., & Fotiadis, D. I. (2023). Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal, 21, 337–349.

3. Sun, R., & Zhao, J. (2025). Big data and artificial intelligence in cancer research: Current applications and challenges. Molecular Cancer, 24(1), 112.

4. The Cancer Genome Atlas Research Network. (2023). Comprehensive molecular characterization of human cancers. Cell, 186(9), 1905–1920.

5. Zhang, L., & Chen, H. (2024). Artificial intelligence in personalized oncology: From data to clinical decision. Cancers, 16(4), 831.

6. Wang, Y., Li, X., & Xu, C. (2025). Ethical considerations in AI-driven cancer therapy. Journal of Translational Medicine, 23(1), 45.

7. Weill Cornell Medicine (2025). Study provides new insights into the genetic complexity of cancer metastasis. News.Weill.Cornell.edu.

8. Stanford Medicine (2025). DNA clues for predicting lifetime cancer risk. Med.Stanford.edu.

9. Popular Science (2025). AI is already changing the ways we fight cancer. PopSci.com.