Üç boyutlu glioblastoma çoklu hücre kültürü ortamında görüntü işleme ve hibrit makine öğrenmesi algoritmaları

Yapay zeka, esas olarak makine öğrenmesi ve derin öğrenme hesaplama yöntemlerinden oluşmakta olup, merkezi sinir sisteminde en yaygın ve yetişkinlerde en hızlı ilerleyen beyin tümörü olan glioblastomanın tedavi yönetimini iyileştirme konusunda önemli bir potansiyel sunmaktadır. Bu çalışmanın amacı, I-NHA insan astrositleri ile etkileşim halinde olan U87 insan glioblastoma hücrelerinin göç ve proliferasyon davranışlarını makine öğrenmesi yöntemleri kullanarak tahmin etmektir. Belirli hidrojeller içerisine gömülmüş bu mühendislik ürünü hücre modelleri, mimetik mikroçevrelerin oluşturulmasını ve hücreler arasındaki etkileşimlerin gözlemlenmesini mümkün kılmaktadır. Araştırmamız, klasik yazılım hesaplamalarından elde edilen ve üç boyutlu (3B) tümör mikroçevresi çalışmalarından elde edilen görüntü veri setlerini içeren önemli miktarda ham veriyi kapsamaktadır. In vitro araştırmalara göre, glioblastomalarda göç, invazyon ve proliferasyon gibi kendine özgü hücresel özellikler ve davranışlar gözlenmektedir. Uygulamalı fizik perspektifinden bakıldığında, bu çalışma hücrelerin fiziksel davranışlarını 3B çoklu platformlarda yeniden üreterek, yapay zeka tabanlı analizler için uygun geniş kapsamlı veri setlerinin elde edilmesini sağlamaktadır. Bu çalışmada, iki teknik deney tekrarından elde edilen, normalize edilmiş 300 görüntüden oluşan veri seti üzerinde Yinelenen Sinir Ağı (Recurrent Neural Network, RNN) algoritmalarının etkinliği değerlendirilmiş ve ilgili parametrelerin tahmini hesaplanmıştır. Özellikle RNN'in Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ve Kapılı Tekrarlayan Birim (Gated Recurrent Unit, GRU) modelleri ile ara katmanlı bir mimari sunan Konvolüsyonel Sinir Ağı (Convolutional Neural Networks, CNN) ile oluşturulmuş hibrit varyantları kullanılarak, hücre kültürü görüntüleri üzerinde makine öğrenimi teknikleri uygulanarak yüksek doğrulukta tahminler elde edilmiştir. Bu modeller arasında GRU, özellikle veri yoğunluğunun azaldığı durumlarda üstün bir öngörü performansı sergilemiş olup optimize edilmiş GRU modeli en yüksek 0,85 doğruluk değerine ulaşmıştır. Daha uzun dizileri kodlayabilme yetenekleri sayesinde transformer modeli büyük veri setlerinde öne çıkarken, zaman serisi tabanlı orta boyutlu hücre görüntü veri setlerinde genellikle RNN'ler daha iyi performans göstermektedir. Çalışmamızda, görüntü verisinin iyileştirilmesi ve teknik ile biyolojik çoğaltmanın, makine öğrenmesi algoritmalarının tahmin doğruluğunu önemli ölçüde artırabileceği savunulmuştur. Sonuç olarak, bu çalışma umut verici öngörü doğruluğu sergilemekle birlikte, öncelikle bir kavram kanıtlama çalışmasıdır. Glioblastoma araştırmalarında yapay zeka odaklı analizler parlak sonuçlar sunmuş olup modellerin standartlaştırılması ve öngörü sonuçlarının yorumlanabilirliğinin ve genellenebilirliğinin artırılması için daha kapsamlı ve çeşitli veri setlerinin entegrasyonu ile ileri çalışmalara ihtiyaç bulunmaktadır.