Yapay zeka ile entegre radyomik yaklaşım kullanılarak glial tümörlerde tanısal ve prognostik analizlerin yapılması
Diagnostic and prpgnostic analysis of glial tumors using an artificial intelligence-integrated radiomic approach
- Tez No: 1011844
- Danışmanlar: PROF. DR. MUSTAFA AZİZ HATİBOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Nöroşirürji, Neurosurgery
- Anahtar Kelimeler: Glioma, radyomik, manyetik rezonans görüntüleme, makine öğrenmesi, sağkalım analizi, IDH mutasyonu, LASSO-Cox, Random Survival Forest, Glioma, radiomics, magnetic resonance imaging, machine learning, survival analysis, IDH mutation, LASSO-Cox, Random Survival Forest
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bezm-İ Alem Vakıf Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Beyin ve Sinir Cerrahisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Giriş ve Amaç: Gliomalar, merkezi sinir sisteminin en sık görülen primer tümörleri olup heterojen biyolojik davranışları, değişken büyüme hızları ve farklı prognozlarıyla karakterizedir. Tümör derecesi ve moleküler özellikler, özellikle izositrat dehidrogenaz (IDH) mutasyon durumu, hastalığın klinik seyrini belirleyen en önemli faktörler arasında yer almaktadır. Günümüzde gliomaların derecelendirilmesinde altın standart yöntem histopatolojik inceleme olmakla birlikte, bu yaklaşım invazivdir ve tümör heterojenitesi nedeniyle örnekleme hatalarına açıktır. Bu durum, özellikle cerrahi öncesi dönemde tümör karakterizasyonunu zorlaştırmaktadır. Manyetik rezonans görüntüleme (MRG), gliomaların değerlendirilmesinde temel araçlardan biri olmakla birlikte, konvansiyonel görüntüleme yöntemleri tümör derecesi ve moleküler özellikleri kesin olarak belirlemede sınırlı kalmaktadır. Bu bağlamda, görüntülerden elde edilen yüksek boyutlu nicel verilerin analizine dayanan radyomik yaklaşım, tümör biyolojisinin non-invaziv olarak değerlendirilmesinde umut verici bir yöntem olarak öne çıkmaktadır. Bu çalışmanın amacı, kontrastlı T1 ağırlıklı MR görüntülerinden elde edilen radyomik özelliklerin ve LASSO-Cox modeli ile türetilen radyomik skorların (Rad-score) glioma derecelendirmesi, IDH mutasyon durumu ve sağkalım ile ilişkisini kapsamlı biçimde değerlendirmektir. Gereç ve Yöntem: Bu retrospektif çalışmaya histopatolojik olarak glioma tanısı doğrulanmış toplam 40 hasta dahil edilmiştir. Tüm hastalara ait kontrastlı T1 ağırlıklı MR görüntüleri kullanılarak tümör segmentasyonu manuel olarak gerçekleştirilmiş; segmentasyon sonrası tümör bölgelerinden altı farklı radyomik özellik çıkarılmıştır: Shape_Maximum2DDiameterSlice,GLRLM_LongRunEmphasis,GLRLM_ShortRunEmphasis,GLSZM_GrayLevelNonUniformityNormalized,GLSZM_SizeZoneNonUniformityNormalized ve GLSZM_ZoneEntropy. Bu özelliklere tümör hacmi de eklenerek toplam yedi değişkenlik bir özellik seti oluşturulmuştur. Özellikler z-skoru normalizasyonu ile standardize edildikten sonra L1 penalizasyonlu LASSO-Cox regresyonu kullanılarak genel sağkalım (OS) ve progresyonsuz sağkalım (PFS) için bağımsız iki radyomik skor üretilmiştir. İstatistiksel analizlerde parametrik olmayan testler tercih edilmiş; üç grup karşılaştırmalarında Kruskal–Wallis testi, iki grup karşılaştırmalarında Mann–Whitney U testi kullanılmıştır. Tümör derecesi ve IDH mutasyon durumunun sınıflandırılmasında L2 düzenlileştirmeli lojistik regresyon algoritması uygulanmış, model geçerliliği bırak-bir-dışarıda çapraz doğrulama (LOOCV) ile değerlendirilmiştir. Sağkalım analizlerinde Kaplan–Meier yöntemi, log-rank testi ile tek ve çok değişkenli Cox orantılı tehlike regresyonu kullanılmıştır. Prognostik makine öğrenmesi analizi için Random Survival Forest (RSF) algoritması uygulanmış, performans uyum endeksi (C-index) ile değerlendirilmiştir. Tüm analizler Python programlama dili ile gerçekleştirilmiştir. Bulgular: Hastaların yaş ortalaması 57,9 ± 15,0 yıl olup %62,5'i erkekti. Tümörlerin %75'i Grade 4, hastaların %77,5'i IDH wild-type olarak saptandı. Ortalama progresyonsuz sağkalım 517,7 ± 700,9 gün, medyan PFS ise 230,5 gün olarak hesaplandı. Tanısal analizlerde, yedi özellikten altısının histolojik grade grupları arasında istatistiksel olarak anlamlı farklılık gösterdiği saptandı (Kruskal–Wallis, p<0,01). En belirgin ayrışma, intratümöral doku heterojenliğini yansıtan GLSZM_ZoneEntropy'de gözlemlendi (H=15,700, p=0,0004). Shape_Maximum2DDiameterSlice tek anlamlı olmayan özellik olarak kaldı (p=0,311). LASSO-Cox ile türetilen OS ve PFS rad-skorları da grade ile güçlü biçimde farklılaşmıştır (sırasıyla H=15,232, p=0,0005; H=20,934, p<0,001). Makine öğrenmesi modelinde L2 düzenlileştirmeli lojistik regresyon, LOOCV kapsamında AUC=0,910, doğruluk=0,825 ve duyarlılık=0,933 değerleri elde etti; en yüksek katkıyı GLSZM_ZoneEntropy ve GLSZM_SizeZoneNonUniformityNormalized sağladı. Moleküler analizlerde, altı radyomik özellikten dördünün IDH mutasyon durumu ile anlamlı biçimde farklılaştığı görüldü (Mann–Whitney U, p<0,01). IDH mutant tümörler belirgin olarak daha düşük GLSZM_ZoneEntropy değerleri sergiledi (IDH+ medyan=4,528 vs IDH− medyan=5,807, p=0,001); bu bulgu IDH mutant gliomların daha homojen bir doku mikroyapısına sahip olduğunu destekledi. OS ve PFS rad-skorları da IDH grupları arasında anlamlı düzeyde farklılaştı (sırasıyla p=0,001 ve p=0,002). Lojistik regresyon modeli IDH wild-type olguları yüksek özgüllükle tanımladı (AUC=0,846, özgüllük=0,935); ancak IDH mutant grubunun küçüklüğünden (n=9) kaynaklanan sınıf dengesizliği nedeniyle duyarlılık sınırlı kaldı (0,333). Prognostik analizlerde, OS rad-skor tek değişkenli Cox regresyonunda güçlü bir prognostik faktör olarak saptandı (HR=2,874, %95 GA: 1,870–4,415, p<0,001). PFS rad-skor da tek değişkenli analizde anlamlı bulundu (HR=3,041, %95 GA: 1,563–5,913, p=0,001). Kaplan–Meier analizinde OS rad-skor grupları arasındaki sağkalım farkı son derece anlamlıydı (log-rank p=0,0001); PFS rad-skor grupları arasında da anlamlı ayrışma saptandı (p=0,013). Çok değişkenli Cox analizinde, OS rad-skor grade ve IDH ile birlikte değerlendirildiğinde bağımsız anlamlılığını korudu (HR=2,749, %95 GA: 1,708–4,423, p<0,001; concordance=0,778); IDH ve grade bu modelde anlamsız hale geldi. PFS için benzer biçimde yalnızca PFS rad-skor bağımsız prognostik faktör olarak kaldı (HR=2,917, %95 GA: 1,164–7,311, p=0,022; concordance=0,723). Random Survival Forest analizi OS modeli için LOOCV tabanlı C-index=0,707 elde etti; OS rad-skoru en önemli değişken olarak belirlendi (permütasyon importance=0,086). Rezeksiyon derecesi ne OS (p=0,846) ne de PFS (p=0,690) için anlamlı bir prognostik faktör olarak saptandı; bu durum kohortun %82,5'inin gross total rezeksiyonla opere edilmesinden kaynaklanan güç kaybına bağlandı. Sonuç: Radyomik analizler, gliomaların non-invaziv değerlendirilmesinde hem tanısal hem de prognostik açıdan güçlü ve tutarlı bilgiler sunmaktadır. Özellikle doku heterojenliğini yansıtan GLSZM_ZoneEntropy, hem grade hem IDH mutasyon durumu hem de sağkalım ile güçlü ilişki gösteren en tutarlı özellik olarak öne çıkmıştır. LASSO-Cox ile türetilen radyomik skorların çok değişkenli modelde bağımsız prognostik anlamlılıklarını koruyarak grade ve IDH gibi yerleşik klinik faktörlerin prognostik bilgisini görüntüleme temelli nicel bir formatta temsil edebildiği gösterilmiştir. Bu bulgular, radyomik yöntemlerin biyopsi yapılamayan veya yeterli doku elde edilemeyen durumlarda non-invaziv tümör karakterizasyonuna katkı sağlayabileceğini düşündürmektedir. Çalışmanın sınırlı örneklem büyüklüğü (n=40), tek merkezli retrospektif tasarımı ve tek gözlemci segmentasyonu göz önünde bulundurulduğunda, bulgular keşifsel nitelikte değerlendirilmeli ve daha büyük, çok merkezli, prospektif kohortlarda harici validasyonla desteklenmelidir.
Özet (Çeviri)
Introduction and Objective: Gliomas are the most common primary tumors of the central nervous system, characterized by heterogeneous biological behavior, variable growth rates, and diverse prognoses. Tumor grade and molecular characteristics, particularly isocitrate dehydrogenase (IDH) mutation status, are among the most important factors determining clinical outcomes. Although histopathological examination remains the gold standard for glioma grading, it is an invasive procedure prone to sampling errors due to tumor heterogeneity, which makes preoperative tumor characterization particularly challenging. Magnetic resonance imaging (MRI) is a fundamental tool in glioma evaluation; however, conventional imaging techniques are often insufficient for accurately determining tumor grade and molecular features. In this context, radiomics — which involves the extraction and analysis of high-dimensional quantitative features from medical images — has emerged as a promising non-invasive approach to better characterize tumor biology. The aim of this study was to comprehensively evaluate the relationship between radiomic features derived from contrast-enhanced T1-weighted MRI, a LASSO-Cox–based radiomic score (Rad-score), glioma grading, IDH mutation status, and patient survival. Materials and Methods: This retrospective study included 40 patients with histopathologically confirmed glioma. Tumor segmentation was performed manually on contrast-enhanced T1-weighted MRI images, and six radiomic features were extracted from the segmented tumor regions:Shape_Maximum2DDiameterSlice,GLRLM_LongRunEmphasis,GLRLM_ShortRunEmphasis,GLSZM_GrayLevelNonUniformityNormalized,GLSZM_SizeZoneNonUniformityNormalized, and GLSZM_ZoneEntropy. Tumor volume was additionally included as a clinically established prognostic parameter, forming a total feature set of seven variables. All features were standardized using z-score normalization, after which two independent radiomic scores — one for overall survival (OS) and one for progression-free survival (PFS) — were generated using L1-penalized LASSO-Cox regression. Non-parametric statistical tests were applied, with the Kruskal–Wallis test used for comparisons among three groups and the Mann–Whitney U test for two-group comparisons. Tumor grade and IDH mutation status were classified using L2-regularized logistic regression, with model validity assessed by leave-one-out cross-validation (LOOCV). Survival analyses were conducted using the Kaplan–Meier method, log-rank test, and both univariate and multivariate Cox proportional hazards regression. A Random Survival Forest (RSF) algorithm was applied for prognostic machine learning analysis, with performance evaluated using the concordance index (C-index). All analyses were performed using the Python programming language. Results: The mean patient age was 57.9 ± 15.0 years, and 62.5% were male. High-grade tumors (Grade 4) accounted for 75% of cases, and 77.5% of patients were IDH wild-type. The mean PFS was 517.7 ± 700.9 days, with a median PFS of 230.5 days. In diagnostic analyses, six of the seven radiomic features demonstrated statistically significant differences across histological grade groups (Kruskal–Wallis, p<0.01). The most prominent differentiation was observed for GLSZM_ZoneEntropy (H=15.700, p=0.0004), which reflects intratumoral tissue heterogeneity. Shape_Maximum2DDiameterSlice was the only non-significant feature (p=0.311). LASSO-Cox–derived OS and PFS Rad-scores also showed strong grade-related differentiation (H=15.232, p=0.0005 and H=20.934, p<0.001, respectively). The L2-regularized logistic regression classifier achieved AUC=0.910, accuracy=0.825, and sensitivity=0.933 under LOOCV, with GLSZM_ZoneEntropy and GLSZM_SizeZoneNonUniformityNormalized providing the highest discriminative contributions. In molecular analyses, four of the six radiomic features differed significantly between IDH mutant and wild-type groups (Mann–Whitney U, p<0.01). IDH mutant tumors exhibited markedly lower GLSZM_ZoneEntropy values (IDH+ median=4.528 vs. IDH− median=5.807, p=0.001), consistent with the more homogeneous tissue microarchitecture of IDH-mutant gliomas. Both OS and PFS Rad-scores were significantly lower in the IDH mutant group (p=0.001 and p=0.002, respectively). The logistic regression classifier identified IDH wild-type cases with high specificity (AUC=0.846, specificity=0.935), although sensitivity was limited (0.333) due to the severe class imbalance resulting from the small IDH mutant group (n=9). In prognostic analyses, OS Rad-score emerged as a strong univariate prognostic factor (HR=2.874, 95% CI: 1.870–4.415, p<0.001), as did PFS Rad-score (HR=3.041, 95% CI: 1.563–5.913, p=0.001). Kaplan–Meier analysis revealed highly significant survival differences between OS Rad-score risk groups (log-rank p=0.0001), with PFS Rad-score groups also showing significant separation (p=0.013). In multivariate Cox regression, OS Rad-score retained independent prognostic significance when analyzed alongside grade and IDH (HR=2.749, 95% CI: 1.708–4.423, p<0.001; concordance=0.778); grade and IDH became non-significant in this model. Similarly, PFS Rad-score remained the sole independent prognostic factor in the PFS multivariate model (HR=2.917, 95% CI: 1.164–7.311, p=0.022; concordance=0.723). RSF analysis yielded a LOOCV-based C-index of 0.707 for the OS model, with OS Rad-score identified as the most important variable (permutation importance=0.086). Extent of resection was not a significant prognostic factor for either OS (p=0.846) or PFS (p=0.690), attributable to the limited statistical power resulting from 82.5% of patients having undergone gross total resection. Conclusion: Radiomic analysis provides robust and consistent information for the non-invasive characterization of gliomas, offering both diagnostic and prognostic value. GLSZM_ZoneEntropy emerged as the most consistently discriminative feature, showing strong associations with tumor grade, IDH mutation status, and survival across all analysis axes. LASSO-Cox–derived Rad-scores retained independent prognostic significance in multivariate models, demonstrating their ability to represent the prognostic content of established clinical factors such as grade and IDH in a quantitative, imaging-based format. These findings suggest that radiomic approaches may serve as useful non-invasive biomarkers for tumor characterization, particularly in settings where biopsy is not feasible or sufficient tissue cannot be obtained. Given the study's limitations — including the small sample size (n=40), single-center retrospective design, single-observer segmentation, and absence of several established prognostic variables — the present findings should be regarded as exploratory and require validation in larger, multi-center, prospective cohorts with independent external validation.
Benzer Tezler
- İç hastalıkları yoğun bakım ünitesinde hastanın ilk gün PA AC grafisinden yapay zeka yöntemleri kullanılarak mortalite tahmini
Mortality prediction from patient's first day PA AC radiograph in internal medicine intensive care unit using artificial intelligence methods
ORHAN GÖK
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TÜRKER FEDAİ ÇAVUŞ
- Mesane kanseri kas invazyonunun radyomik özellikler ve makine öğrenimi modelleri kullanılarak değerlendirilmesi: Açıklanabilir yapay zekâ yaklaşımı
Assessment of muscle-invasive bladder cancer using radiomic features and machine learning models: An explainable artificial intelligence approach
İREM TİRYAKİ
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. AYTÜL HANDE YARDIMCI
- Cerrahi rezeksiyon uygulanan saf buzlu cam ve subsolid akciğer nodüllerinde malignite öngörüsü: Klinik ve radyomik parametrelerin optimizasyonu ile oluşturulan XGBoost modelinin değerlendirilmesi
Predicting malignancy in purely ground-glass and subsolid lung nodules undergoing surgical resection: Evaluation of an XGBoost model optimised using clinical and radiomic parameters
AYLİN CANAVAR
Tıpta Uzmanlık
Türkçe
2025
Göğüs CerrahisiSağlık Bilimleri ÜniversitesiGöğüs Cerrahisi Ana Bilim Dalı
PROF. DR. LEVENT CANSEVER
- Böbrek taşlarının tedavisinde ekstrakorporeal şok dalga litotripsi sonrası taşsızlık durumu ve komplikasyonların değerlendirilmesinde yapay zeka uygulamalarının kullanımının değerlendirilmesi
Evaluation of the use of artificial intelligence applications in assessing stone-free status and complications after extracorporeal shock wave lithotripsy in the treatment of kidney stones
GAZİ KAZ
- Atipik uterin kitlelerin tanısında uterin sarkom ve uterinmyom ayrımının manyetik rezonans görüntüleme radyomiksözellikleri kullanılarak makine öğrenmesi yöntemlerikullanılarak öngörülmesi
Differentiating uterine sarcoma from uterine leiomyoma in atypical uterine masses using mri-based radiomics features and machine learning methods
MUSTAFA DURMAZ
Tıpta Uzmanlık
Türkçe
2026
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MERVE GÜLBİZ DAĞOĞLU KARTAL