Kantitatif İmmunohistokimya ve Analitik Standartlar: Subjektif Değerlendirmeden Objektif Ölçüme Bir Geçiş

Tütüncü Ş.

6th International Conference on Scientific and Innovative Studies, Konya, Türkiye, 9 - 10 Aralık 2025, ss.75-80, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Konya
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.75-80
  • Ondokuz Mayıs Üniversitesi Adresli: Evet

Özet

İmmunohistokimya, histoloji ve patoloji alanında biyobelirteç ifadesini değerlendirmek için yaygın olarak kullanılan bir tekniktir, ancak geleneksel olarak araştırmacıların görsel, yarı kantitatif skorlamasına dayanır. Bu subjektif yaklaşım, özellikle kritik prognostik ve prediktif belirteçlerin değerlendirilmesinde gözlemciler arasında varyasyonlara yol açmaktadır. Dijital olarak histopatolojinin ve görüntü analizi algoritmalarının ortaya çıkışı, immunohistokimyayı objektif, tekrarlanabilir ve kantitatif bir yönteme dönüştürme potansiyeli sunmaktadır. Bu derleme, dijital görüntü analizi, kantitatif floresan yöntemleri ve yapay zeka (AI) tabanlı derin öğrenme modellerinin, immunohistokimya skorlamasındaki değişkenliği azaltma ve standardizasyonu artırma üzerindeki etkilerini, güncel araştırmalara dayanarak incelemektedir. Çalışmalar, bilgisayar destekli görüntü analizinin, histolog ve patologların görsel skorlamasıyla yüksek korelasyon gösterdiğini ve gözlemciler arası tekrarlanabilirliği önemli ölçüde artırdığını ortaya koymuştur. Özellikle derin evrişimli sinir ağları (CNN), araştırmacı düzeyinde bir hassasiyetle histolojik paternleri tanıyabilmekte ve protein ekspresyonlarını otomatik olarak skorlayabilmektedir. Bu derleme, kantitatif immunohistokimya platformlarının ve analitik standartların geliştirilmesinin, kişiselleştirilmiş tıbbın ve companion diagnostics'in geleceği için temel bir gereklilik olduğunu vurgulamakta ve bu alandaki mevcut durumu ve gelecek yönelimlerini özetlemektedir.

Immunohistochemistry is a widely used technique in histology and pathology to assess biomarker expression, but it traditionally relies on researchers' visual, semi-quantitative scoring. This subjective approach leads to variations among observers, particularly in the evaluation of critical prognostic and predictive markers. The emergence of digital histopathology and image analysis algorithms offers the potential to transform immunohistochemistry into an objective, reproducible, and quantitative method. This review examines the effects of digital image analysis, quantitative fluorescence methods, and artificial intelligence (AI)-based deep learning models on reducing variability and increasing standardization in immunohistochemistry scoring, based on current research. Studies have shown that computer-assisted image analysis correlates highly with visual scoring by histologists and pathologists and significantly improves inter-observer reproducibility. In particular, deep convolutional neural networks (CNNs) are able to recognize histological patterns with researcher-level precision and automatically score protein expression. This review highlights that the development of quantitative immunohistochemistry platforms and analytical standards is a fundamental requirement for the future of personalized medicine and companion diagnostics, and summarizes the current state and future trends in this field.