Berrak hücreli ve berrak hücreli olmayan renal hücreli karsinom ayrımında multiparametrik MR tabanlı radyomiks analizi
Multiparametric MRI-based radiomics analysis for the differentiation of clear cell and non–clear cell renal cell carcinoma
- Tez No: 1012550
- Danışmanlar: DOÇ. DR. MUSTAFA ORHAN NALBANT
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Renal hücreli karsinom, multiparametrik MRG, radyomiks, derin öğrenme, makine öğrenmesi, Renal hücreli karsinomlar, Renal cell carcinoma, multiparametric magnetic resonance imaging, radiomics, deep learning, machine learning, Renal cell carcinomas
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Bakırköy Dr. Sadi Konuk Eğitim Araştırma Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, multiparametrik manyetik rezonans görüntüleme tabanlı radyomiks ve derin öğrenme yaklaşımlarının berrak hücreli renal hücreli karsinom ile berrak hücreli olmayan alt tiplerin ayrımındaki tanısal performansını değerlendirmek ve non-invaziv sınıflandırmadaki potansiyelini ortaya koymaktır. Materyal ve Metod: Bu retrospektif çalışmaya histopatolojik olarak doğrulanmış 128 renal hücreli karsinom hastası dahil edildi. Multiparametrik MRG incelemelerinde elde edilen T2 ağırlıklı görüntüler, ADC haritaları ve kontrastlı yağ baskılı T1 ağırlıklı görüntüler üzerinde gerçekleştirilen manuel segmentasyonun ardından radyomiks özellikler çıkarıldı. Bu veriler kullanılarak makine öğrenmesi modelleri oluşturuldu ve aynı veri seti ile çok katmanlı algılayıcı tabanlı bir derin öğrenme modeli geliştirildi. Model performansı beş katlı çapraz doğrulama ile değerlendirilerek AUC, doğruluk, duyarlılık, özgüllük ve F1 skoru hesaplandı. Bulgular: Makine öğrenmesi modeli berrak hücreli ve berrak hücreli olmayan renal hücreli karsinom ayrımında yüksek tanısal performans göstermiştir (AUC: 0,947 ± 0,047; doğruluk: %84,4 ± 2,5). Derin öğrenme modeli de benzer şekilde yüksek performans sergilemiş olup AUC değeri 0,961 ± 0,036 ve doğruluk %86,7 ± 5,5 olarak bulunmuştur. Her iki modelin performansları benzer düzeyde olmakla birlikte, derin öğrenme modelinde sınırlı ancak tutarlı bir performans artışı izlenmiştir. Sonuç: Multiparametrik MRG tabanlı radyomiks ve derin öğrenme yaklaşımları, renal hücreli karsinom alt tiplerinin non-invaziv ayrımında yüksek tanısal performans göstermektedir. Farklı MRG sekanslarından elde edilen verilerin birlikte değerlendirilmesi, bu yöntemlerin preoperatif dönemde klinik karar süreçlerini destekleyebilecek potansiyel araçlar olduğunu düşündürmektedir.
Özet (Çeviri)
Purpose: The aim of this study was to evaluate the diagnostic performance of multiparametric magnetic resonance imaging (MRI)-based radiomics and deep learning approaches in differentiating clear cell renal cell carcinoma from non–clear cell subtypes, and to investigate their potential for non-invasive classification. Materials and Methods: A total of 128 patients with histopathologically confirmed renal cell carcinoma were included in this retrospective study. Radiomic features were extracted following manual segmentation performed on T2-weighted images, apparent diffusion coefficient (ADC) maps, and contrast-enhanced fat-suppressed T1-weighted images obtained from multiparametric MRI examinations. Machine learning models were developed using these features, and a multilayer perceptron-based deep learning model was constructed using the same dataset. Model performance was evaluated using five-fold cross-validation, and area under the curve (AUC), accuracy, sensitivity, specificity, and F1-score were calculated. Results: The machine learning model demonstrated high diagnostic performance in differentiating clear cell from non–clear cell renal cell carcinoma (AUC: 0.947 ± 0.047; accuracy: 84.4% ± 2.5). The deep learning model also showed similarly high performance, with an AUC of 0.961 ± 0.036 and an accuracy of 86.7% ± 5.5. Although both models exhibited comparable performance, the deep learning model demonstrated a limited but consistent improvement. Conclusion: Multiparametric MRI-based radiomics and deep learning approaches demonstrate high diagnostic performance in the non-invasive differentiation of renal cell carcinoma subtypes. The integration of data derived from different MRI sequences suggests that these methods may serve as potential tools to support clinical decision-making in the preoperative setting.
Benzer Tezler
- Fuhrman nükleer derecelendirmesine göre düşük ve yüksek dereceli böbrek hücreli karsinom ayrımında 3 tesla manyetik rezonans difüzyon ağırlıklı görüntüleme ve dinamik kontrastlı mr incelemenin yeri
Başlık çevirisi yok
TUĞÇE AĞIRLAR TRABZONLU
Tıpta Uzmanlık
Türkçe
2017
Radyoloji ve Nükleer TıpKocaeli ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ERCÜMENT ÇİFTÇİ
- Berrak hücreli renal hücreli karsinomda prostat spesifik membran antijen ekspresyonunun tanısal ve prognostik rolü
Diagnostic and prognostic role of prostate specific membrane antigen expression in clear cell renal cell carcinoma
ILKIN HAMID-ZADA
Tıpta Uzmanlık
Türkçe
2026
Ürolojiİstanbul Medeniyet ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. MEHMET ÇAĞLAR ÇAKICI
- Metastatik renal hücreli karsinom tanılı hastaların immün-inflamasyon belirteçlerinin sağkalım ve tedaviye yanıt ile ilişkisi
The relationship of immune-inflammation markers with survival and response to treatment in patients with metastatic renal cell carcinoma
HAKAN ZANBAKÇI
Tıpta Uzmanlık
Türkçe
2022
OnkolojiDokuz Eylül Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. İLKAY TUĞBA ÜNEK
- Renal hücreli karsinom hastalarının klinikopatolojik ve tedavi özellikleri: Tek merkez sonuçları
Clinicopathological and treatment characteristics of patients with renal cell carcinoma: Single-center results
BETÜL AKBAL
Tıpta Uzmanlık
Türkçe
2025
İç HastalıklarıSivas Cumhuriyet Üniversitesiİç Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUKADDES YILMAZ
- Metastatik olmayan lokal ileri evreli renal hücreli karsinomlarda enflamatuar belirteçlerin prognostik önemi
Prognostic significance of inflammatory markers in non-metastatic advanced renal cell carcinomas
SERDAR BAYKAL