Mikroskoptan Yapay Zekâya: Küçük Hücreli Dışı Akciğer Kanserinde PD-L1 Testine Pratik Yaklaşım

Amaç: PD-L1 immünohistokimyası (IHC), küçük hücreli dışı akciğer kanseri (KHDAK) olan bireylerde immün kontrol noktası inhibitörü (ICI) tedavisini yönlendiren
temel bir prediktif biyobelirteç testidir. Ancak antikor klonlarındaki, derecelendirme sistemlerindeki (Tümör Oranı Skoru (TPS), Kombine Pozitif Skor (CPS), İmmün
Hücre skoru (IC)) ve pre-analitik/analitik koşullardaki değişkenlik, özellikle KHDAK'ta küçük biyopsiler ve sitolojik örneklerde yorumlamayı ve tekrarlanabilirliği
zorlaştırmaktadır. Bu derlemede, tümör heterojenliği, sitolojik kısıtlılıklar ve yapay zekâ (AI) tabanlı dijital patoloji araçlarının gelişen rolü vurgulanarak, KHDAK’ta
PD-L1 testindeki güncel uygulamaları, zorlukları ve gelişmeleri gözden geçirmek amaçlanmıştır. Ayrıca radyomiklerin de dahil olduğu multimodal yaklaşımların doku
temelli değerlendirmeyi nasıl tamamlayabileceğini ve ICI tedavisi için hasta seçiminde iyileşme sağlayıp sağlayamayacağını incelemeyi hedefledik.
Gereç ve Yöntemler: Ocak 2020 ile Haziran 2025 arasında yayımlanmış çalışmalar taranarak, KHDAK’ta PD-L1 ekspresyonunu doğrulanmış klonlar (22C3, 28-8, SP263,
SP142), sitoloji–histoloji uyumu, pre-analitik faktörler ve AI tabanlı PD-L1 skorlama platformları ile değerlendiren çalışmalar üzerine kapsamlı bir literatür taraması
yapıldı. Veriler, teknik değişkenlikleri, yorumlayıcı farklılıkları ve ortaya çıkan dijital çözümleri ele alan tematik bir sentez ile analiz edildi.
Bulgular: KHDAK’ta PD-L1 ekspresyonu, mekânsal heterojenite ve teknik değişkenliklerden etkilenmekte olup tanısal tutarsızlığa yol açmaktadır. Sitolojik örnekler,
sınırlı mimari yapı ve fiksasyon artefaktları nedeniyle benzersiz zorluklar oluşturur. Gözlemciler arası değişkenlik, özellikle %1–49 TPS aralığında en yüksektir. AI
destekli algoritmalar ve dijital platformlar, iyileştirilmiş tekrarlanabilirlik (κ 0.74’e kadar), doğruluk (%95’e kadar) ve klinik sonuçlarla olası korelasyon göstermiştir. Lunit
SCOPE PD-L1 ve HALO Lung PD-L1 AI gibi ticari AI platformları, %92’ye varan doğruluk oranı elde etmiş ve sınırda sonuçlardaki yanlış sınıflandırma oranlarını %18–30
azaltmıştır. PET tabanlı görüntüleme kullanan radyomikler—SUVmax, metabolik tümör hacmi ve heterojenlik indekslerini içeren—özellikle doku örneklemesinin sınırlı
olduğu durumlarda invaziv olmayan bir tamamlayıcı yöntem olarak umut vadetmektedir.
Sonuç: Güvenilir PD-L1 testi, klonlara özgü validasyon, standart protokollere uyum ve örnek sınırlılıklarının farkında olunmasını gerektirir. AI tabanlı dijital patoloji ve
radyomiklerin entegrasyonu, özellikle belirsiz veya sınırlı örneklerde tanısal doğruluğu artırabilir.