Dinamik kontrastlı meme manyetik rezonans görüntüleme tabanlı klinik, radyolojik, patolojik ve radyomik modellerin metastatik meme kanseri öngörüsündeki rolü
The role of dynamic contrast-enhanced breast magnetic resonance imaging–based clinical, radiological, pathological, and radiomic models in the prediction of metastatic breast cancer
- Tez No: 1007658
- Danışmanlar: DOÇ. DR. SEDA ALADAĞ KURT
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Meme kanseri, Metastaz, Radyomik, Manyetik rezonans görüntüleme, Makine öğrenmesi, Radyoloji, Breast cancer, Metastasis, Radiomics, Magnetic resonance imaging, Machine learning, Radiology
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Cerrahpaşa Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Meme kanserinde tanı anında uzak metastaz varlığının öngörülmesinde klinik, histopatolojik ve radyolojik verilerle farklı radyomik özellik seçimi yaklaşımları kullanılarak dinamik kontrastlı meme manyetik rezonans görüntüleme (DKM-MRG) tabanlı radyomik verilerle geliştirilen klinik, radyomik ve kombine modellerin performansı, sınıflandırma dengesi ve risk tahmin güvenilirliğinin değerlendirilmesidir. Gereç ve Yöntem: Nisan 2019–Şubat 2025 tarihleri arasında meme kanseri tanısı alan, tedavi öncesi DKM-MRG incelemeleri, uzak organ taraması ve histopatolojik verileri bulunan, ikinci primer malignitesi olmayan 237 olgu çalışmaya alındı. İki radyolog tarafından yarı otomatik segmentlenen lezyonların radyomik özellikleri çok aşamalı özellik seçimi sonrası farklı yaklaşımlar kullanılarak; metastazla anlamlı ilişkisi bulunan klinik, histopatolojik ve radyolojik değişkenlerle klinik ve kombine modeller oluşturuldu. Modeller AUC, duyarlılık, özgüllük, doğruluk, pozitif prediktif değer (PPV), F1 ve Brier skoru metriklerine göre karşılaştırıldı; değişken katkıları SHapley Additive exPlanations (SHAP) yöntemiyle incelendi. Bulgular: Klinik ve histopatolojik değişkenler metastazla anlamlı ilişki göstermezken tümör çapı, aksiller tutulum, kontrastlanma paterni ve tümörün cilt, areola ve pektoral kasa olan mesafeleri anlamlıydı (p<0.05). Klinik model yüksek duyarlılık (0.89) ve ayrıştırma performansı (AUC=0.88) gösterdi. Radyomik model metastatik olguların saptanmasında en yüksek duyarlılığı sağladı (0.95). Kombine model güçlü ayrıştırma performansı (AUC=0.89) ile duyarlılık (0.85), özgüllük (0.90), doğruluk (0.89), F1 (0.80) ve kalibrasyon (Brier skoru=0.11) açısından en dengeli modeldi. SHAP analizi aksiller tutulum, tümör çapı, seçilmiş radyomik ve radyolojik özelliklerin metastaz tahminine katkı sağladığını gösterdi. Sonuç: Klinik ve radyomik verilerin birlikte kullanımı, meme kanserinde tanı anında uzak metastazın öngörülmesinde modelin sınıflandırma dengesi ve risk tahmin güvenilirliğini artırmaktadır.
Özet (Çeviri)
Aim: To evaluate the performance and reliability of clinical, radiomic, and combined models—developed using dynamic contrast-enhanced breast magnetic resonance imaging (DCE-MRI)-based radiomics via various feature selection approaches for predicting distant metastasis at breast cancer diagnosis. Materials and Methods: A total of 237 breast cancer diagnosed with breast cancer between April 2019 and February 2025 who had pre-treatment DCE-MRI, distant organ screening, histopathological data, and no second primary malignancy were included. Radiomic features from lesions semi-automatically segmented by two radiologists underwent multi-stage selection. Clinical and combined models were constructed using variables significantly associated with metastasis. Model performance was compared using the area under the curve (AUC), sensitivity, specificity, accuracy, positive predictive value (PPV), F1 score, and Brier score. SHapley Additive exPlanations (SHAP) analysis assessed feature contributions. Results: While clinical and histopathological variables were not significantly associated with metastasis, tumor size, axillary involvement, enhancement pattern, and tumor distances to the skin, areola and pectoral muscle were (p<0.05). The clinical model showed high sensitivity (0.89) and good discrimination (AUC=0.88), while the radiomic model achieved the highest sensitivity (0.95). The combined model demonstrated demonstrated strong discrimination (AUC=0.89) and the most balanced performance in sensitivity (0.85), specificity (0.90), accuracy (0.89), F1 score (0.80), and Brier score (0.11). SHAP indicated that axillary involvement, tumor size and selected radiologic and radiomic features were key predictors. Conclusion: Integrating clinical and radiomic data improves classification balance and the reliability of distant metastasis risk prediction at breast cancer diagnosis.
Benzer Tezler
- Triple negatif meme kanserli hastalarda neoadjuvan tedaviye yanıtın tedavi öncesi dinamik meme MRG kullanılarak derin öğrenme bazlı yapay zeka desteği ile öngörülmesi
Prediction of response to neoadjuvant therapy in patients with triple-negative breast cancer using deep learning-based artificial intelligence support with pre-treatment dynamic breast MRI
RAŞİT EREN BÜYÜKTOKA
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ZEHRA HİLAL ADIBELLİ
- Fizik tabanlı derin öğrenme ile meme mrg analizi
Breast mri analysis using physics-informed deep learning
ÖMER KÜRŞAT UÇARER
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Dinamik kontrastlı manyetik rezonans görüntülerinde bilgisayarlı meme kanseri sınıflandırması
Computerized breast cancer classification in dynamic contrast magnetic resonance images
AHMET HAŞİM YURTTAKAL
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ERBAY
- Meme kanseri olgularında manyetik rezonans görüntüleme ile elde edilen radyomik ve farmakokinetik bulguların patolojik verilerle korelasyonu
Correlation of radiomic and pharmacokinetic findings obtained by magnetic resonance imaging with pathological data in breast cancer cases
HARUN KILIÇ
Tıpta Uzmanlık
Türkçe
2026
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ASLI ERTÜRK
- Benign meme lezyonlarının meme manyetik rezonans görüntüleme bazlı dokuanalizinde zaman ve cihaz farklılıklarının parametrelere etkisi
Breast magnetic resonance imaging based texture analysis of benign breast lesionseffect of time and device differences on parameters in analysis
FURKAN AKSOY
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpMarmara ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. ONUR BUĞDAYCI