Solid böbrek kitlelerine sahip hastalarda operasyon öncesı benign-malign ayrımında ve alt tiplendirmede berrak hücreli olasılık skoruna dayalı görüntü işleme ve makina öğrenme yapay zeka modeli
Image processing and machine learning artificial intelligence model based on a clear cell likelihood score to predict preoperative benign-malignant differentiation and subtyping in patients with solid renal masses
- Tez No: 1005922
- Danışmanlar: DOÇ. DR. AKİF ERBİN, DOÇ. DR. AYTÜL HANDE YARDIMCI
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Böbrek tümörleri, yapay zekâ, derin öğrenme, multimodal füzyon, manyetik rezonans görüntüleme, ccLS, Renal tumors, artificial intelligence, deep learning, multimodal fusion, magnetic resonance imaging, ccLS
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Başakşehir Çam ve Sakura Şehir Hastanesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, solid böbrek kitlelerinin operasyon öncesi değerlendirilmesinde, manyetik rezonans görüntüleme (MRG) tabanlı derin öğrenme özellikleri ile klinik ve laboratuvar verilerinin entegre edildiği hibrit bir yapay zekâ modelinin benign-malign ayrımı ve histopatolojik alt tip öngörüsündeki tanısal performansını araştırmaktır. Gereç ve Yöntem: Çalışmaya, Başakşehir Çam ve Sakura Şehir Hastanesi Üroloji Kliniği'nde takip edilen, 193'ü kötü ve 19'u iyi karakterde toplam 212 hasta dahil edilmiştir. Aksiyel MR kesitleri üzerinde YOLOv11 mimarisi kullanılarak otomatik tümör segmentasyonu ve ilgi alanı çıkarımı gerçekleştirilmiştir. Görüntü özelliklerinin elde edilmesinde EfficientNet, ResNet, DenseNet ve VGG16 gibi farklı konvolüsyonel sinir ağı mimarileri kullanılmıştır. Erken füzyon yöntemiyle görüntü özellikleri; demografik veriler, anatomik skorlar (RENAL, PADUA, C-index) ve berrak hücreli olasılık skoru (clear cell likelihood score; ccLS) dahil 25 klinik değişkenle birleştirilmiştir. Modellerin başarısı, tabakalı 5 katlı çapraz doğrulama yöntemiyle; doğruluk, Matthews korelasyon katsayısı ve alıcı işletim karakteristiği eğrisi altındaki alan (receiver operating characteristic–area under the curve; ROC-AUC) metrikleri üzerinden analiz edilmiştir. Bulgular: Malignite sınıflandırmasında en yüksek ayırt edicilik, 0,803 ROC-AUC değeri ile DenseNet121 tabanlı füzyon modelinde saptanmıştır. Tümör alt tip sınıflandırmasında ise ResNet50 tabanlı multimodal model (ccLS dahil), 0,471 Matthews korelasyon katsayısı ve %73,5 doğruluk oranı ile en yüksek performansı sergilemiştir. VGG16 tabanlı füzyon modelinde ise 0,782 ROC-AUC değerine ulaşılmıştır. Klinik değişkenler arasında C-index, model karar mekanizmasında en yüksek öneme sahip parametre olarak belirlenmiştir. ccLS skorunun modele eklenmesinin özellikle ResNet50, ResNeXt50 ve GoogLeNet mimarilerinde tanısal başarıyı artırdığı gözlemlenmiştir. Sonuç: Araştırma sonuçları, multimodal öğrenme yaklaşımlarının yalnızca klinik veya yalnızca görüntü verisine dayalı modellerden istatistiksel olarak daha başarılı olduğunu ortaya koymuştur. Görüntü tabanlı derin özelliklerin klinik verilerle hibrit entegrasyonu, böbrek tümörlerinin preoperatif karakterizasyonunda tanısal doğruluğu artırma, gereksiz cerrahi müdahaleleri azaltma ve kişiselleştirilmiş tedavi stratejilerini optimize etme konusunda yüksek klinik potansiyel taşımaktadır.
Özet (Çeviri)
Objective: The objective of this study was to investigate the diagnostic performance of a hybrid artificial intelligence model, which integrates magnetic resonance imaging (MRI)-based deep learning features with clinical and laboratory data, for the preoperative evaluation of solid renal masses, specifically focusing on benign-malignant differentiation and histopathological subtype prediction. Materials and Methods: A total of 212 patients (193 malignant, 19 benign) followed at the Urology Clinic of University of Health Sciences, Başakşehir Çam and Sakura City Hospital were included in the study. Automatic tumor segmentation and region of interest extraction were performed on axial MRI sections using the YOLOv11 architecture. Various convolutional neural network architectures, such as EfficientNet, ResNet, DenseNet, and VGG16, were utilized to extract image features. These features were integrated with 25 clinical variables including demographic data, nephrometry scores (RENAL, PADUA, C-index), and the clear cell likelihood score (ccLS), utilizing an early fusion approach. Model performance was evaluated via stratified 5-fold cross-validation, employing accuracy, Matthews correlation coefficient, and receiver operating characteristic–area under the curve (ROC-AUC) metrics. Results: In malignancy classification, the highest discriminatory power was achieved by the DenseNet121-based fusion model with a receiver operating characteristic–area under the curve (ROC-AUC) value of 0.803. For tumor subtype classification, the ResNet50-based multimodal model (including ccLS) exhibited the highest performance, reaching a Matthews correlation coefficient of 0.471 and an accuracy of 73.5%. The VGG16-based fusion model achieved a ROC-AUC value of 0.782. Among clinical variables, the C-index was identified as the most significant parameter in the model's decision-making mechanism. It was observed that the incorporation of the ccLS score enhanced diagnostic success, particularly in the ResNet50, ResNeXt50, and GoogLeNet architectures. Conclusion: The findings of this research demonstrate that multimodal learning approaches are statistically superior to models based solely on clinical or imaging data. The hybrid integration of deep image-based features with clinical data holds substantial clinical potential for enhancing the preoperative characterization of renal tumors, reducing unnecessary surgical interventions, and optimizing personalized treatment strategies.
Benzer Tezler
- Solid böbrek tümörlerinde dinamik BT'nin malign ve benign ayrımındaki yeri ve bulguların patoloji ile korelasyonu
Role of multi-detektor computed tomografy in the differation malign-benign solid neoplastik renal mass: Correlating with histopatholojical finding
LEYLA SEVİM
Tıpta Uzmanlık
Türkçe
2016
Radyoloji ve Nükleer TıpDicle ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. ASLAN BİLİCİ
- Parsiyel nefrektomi uygulanan hastalarda intraoperatif iskemi sonrası oluşabilecek akut böbrek hasarının idrarda NGAL (neutrophil gelatinase-associated lipocalin) ölçümü ile değerlendirilmesi
Evaluation of acute renal injury after intraoperative ischemia in patients undergoing nephrectomy BY ngal (neutrophil gelatinase-associated lipocalin) measurement
ÇAĞRI AKPINAR
- Renal hücreli kanser ve normal böbrek endotelinde endotelyal hücreye özgü molekül-1 ekspresyonunun histopatolojik olarak değerlendirilmesi
Histopathological evaluation of endothelial cell-specific molecule-1 expression in renal cell cancer and normal renal endotel
KADİR BÖCÜ
- Renal kitle lezyonlarının ayırıcı tanısında doku analizinin yeri
The role of tissue analysis in the differential diagnosis of renal mass lesions
ÖMER SEMERCİOĞLU
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpKahramanmaraş Sütçü İmam ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEDA NİDA KARAKÜÇÜK
PROF. DR. MURAT BAYKARA
- Renal kitlelerin karakterizasyonunda ve evrelendirilmesinde dinamik renal bilgisayarlı tomografinin yeri
The efficacy of dynamic renal computed tomography in the characterization and staging of renal masses
GURBET YANARATEŞ
Tıpta Uzmanlık
Türkçe
2017
Radyoloji ve Nükleer TıpMersin ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. FERAMUZ DEMİR APAYDIN