Akademik Veri Yönetim Sistemi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Tıp Fakültesi, Dahili Tıp Bil., Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: DİLEK ALGUR
Danışman: Ahmet Tutuş
Özet:
ÖZET
Amaç:
Flor-18 florodeoksiglukoz pozitron emisyon tomografisi/bilgisayarlı tomografisi
(F-18 FDG PET/BT) ile ilk evreleme yapılan meme kanseri (MK) hastalarında
PET/BT görüntülerinden elde edilen radyomiks özellikler ve klinikopatolojik
parametreler kullanılarak yapılan makine öğrenim yöntemlerinin patolojik tam
yanıtı (PTY) öngörmedeki rolünün belirlenmesidir.
Gereç ve yöntem:
Ocak 2017-Aralık 2021 tarihleri arasında tedavi öncesi F-18 FDG PET/BT
görüntülemesi yapılan ve neoadjuvan kemoterapi (NAK) uygulanan toplam 132 MK
hastası çalışmaya dahil edildi. Radyomiks
analizi için kullanılan LIFEx v7.4.0 uygulamasında her bir hastanın görüntüleri üzerinden memedeki
primer malign lezyonu belirlenerek
yarı-otomatik bölükleme yöntemi ile ilgi hacimleri oluşturuldu. Yazılım programı
aracılığıyla segmente edilen her bir ilgi alanından 129 radyomiks özellik elde
olundu ve özellik seçimi işlemleri
yapıldı. Seçilen özellikler kombine modeller oluşturmak amacıyla hastanın
klinikopatolojik verileri ile birlikte istatistiksel olarak değerlendirildi.
Veri seti, eğitim ve test grubuna 7:3 oranında rastgele bölündü. Eğitim veri setleri
üzerinde analizler yapılarak PTY ile güçlü korelasyonlara sahip en iyi
radyomiks özellik setleri ile radyomiks ve klinikopatolojik parametrelerden
oluşan setler belirlendi. ‘‘Naive bayes’’ (NB), ‘‘support vector machines’’ (SVM) ve ‘‘random forest’’ (RF)
olmak üzere üç farklı makine öğrenim yönteminin NAK sonrası PTY’ı öngörme gücü
değerlendirildi. Kaplan-Meier
analizi ve log-rank testi ile genel sağkalım açısından gruplar arasında istatistiksel olarak anlamlı
fark olup olmadığına bakıldı. Klinikopatolojik değişkenlerin genel sağkalım
üzerindeki etkilerini değerlendirmek için ise tek değişkenli ve çok değişkenli
cox regresyon analizleri kullanıldı.
Bulgular:
MK’li 132 hastanın 32’sinde PTY görülürken 100 hastada rezidü tümör
bulunmaktaydı. PTY tahmininde makine öğrenim modellerinde 18 radyomiks özellik
ve 5 klinikopatolojik değişken rol aldı. Klinikopatolojik değişkenler arasında immünohistokimyasal
alt tip ve Ki-67 değeri her üç makine
öğrenme algoritması tarafından da seçilen ortak özellikler idi. Radyomiks
özellik seçim yöntemi olarak ‘‘recursive feature
elimination’’ (RFE) kullanıldığında ve radyomiks özelliklere klinikopatolojik
veriler de dahil edilip özellik seçimi olarak ‘‘select by filter’’ (SBF) kullanıldığında
RF modeli ile %87,2’lik en yüksek doğru sınıflama oranı elde edildi. Moleküler subtipler luminal grup
ile nonluminal grup olarak iki alt sınıfa ayrıldığında nonluminal grupta
mortalite riskinin 3.77 kat yüksek olduğu saptandı. Nonluminal alt grubun PTY
oranı luminal gruba göre anlamlı daha yüksekti. NAK’ye PTY alınan 32 hastanın
tamamı sağ olarak takip edilmekte olup hiçbirinde nüks gelişmedi.
Sonuç: MK’li hastalarda NAK
öncesi yapılan F-18 FDG PET/BT görüntülemelerinden elde edilen radyomiks
özellikler ile klinikopatolojik veriler birleştirildiğinde makine öğrenim
yöntemlerinin PTY’ı yüksek bir doğrulukla tahmin edebildiği görüldü. Böylece
yeterince etkin olmayan NAK’nin erkenden tespit edilebilmesi ile NAK’nin
toksisitesinden kaçınılması, maliyet yükünün önlenmesi ve diğer tedavi
seçeneklerinin dikkate alınması açısından önemli bir klinik değer sağlayan
güvenilir bir yöntem olarak kullanılabileceği kanısına varıldı.
Anahtar kelimeler: Makine
öğrenimi, PET/BT, F-18 FDG, meme kanseri, patolojik tam yanıt, neoadjuvan
kemoterapi, radyomiks, texture analizi, yapay zeka.