Geri Dön

Makine öğrenmesi ve yapay zeka tabanlı manyetik rezonans görüntüleme analizi ile serviks kanserinde inoperabilitenin öngörülmesi

Prediction of inoperability in cervical cancer using machine learning and artificial intelligence-based analysis of magnetic resonance imaging

PDF İndir

  1. Tez No: 1019682
  2. Yazar: MELİKE NUR BEDİR
  3. Danışmanlar: DOÇ. DR. MERVE ALDIKAÇTIOĞLU TALMAÇ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kadın Hastalıkları ve Doğum, Obstetrics and Gynecology
  6. Anahtar Kelimeler: İnoperabilite, Manyetik Rezonans Görüntüleme, Makine Öğrenmesi, Radiomics, Random Forest, Serviks Kanseri, Yapay Zeka, Artificial Intelligence, Cervical Cancer, Inoperability, Machine Learning, Magnetic Resonance Imaging, Radiomics, Random Forest
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Kanuni Sultan Süleyman Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Kadın Hastalıkları ve Doğum Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmanın amacı, serviks kanseri tanısı alan hastalarda preoperatif manyetik rezonans görüntüleme (MRG) verilerinden elde edilen radiomics özellikleri kullanılarak inoperabilite durumunun makine öğrenmesi yöntemleri ile öngörülebilirliğini değerlendirmek ve görüntü tabanlı kantitatif analizlerin klinik karar verme sürecine olası katkısını araştırmaktır. Gereç ve Yöntem: Bu retrospektif, tek merkezli çalışmaya Ocak 2010–Ocak 2025 tarihleri arasında serviks kanseri tanısı almış ve preoperatif pelvik MRG görüntüleri bulunan toplam 118 hasta dahil edildi. Hastalar operabl (OP) ve inoperabl (INOP) olarak sınıflandırıldı. T2 ağırlıklı aksiyel MRG görüntüleri üzerinden tümör segmentasyonu gerçekleştirildi ve radiomics özellikleri elde edildi. Elde edilen veriler üzerinde makine öğrenmesi analizleri uygulandı. Keşifsel aşamada farklı algoritmalar değerlendirilirken, final analiz için Random Forest ve genelleştirilmiş doğrusal model (GLM) performansları karşılaştırıldı. Model başarısı ROC eğrisi, eğri altında kalan alan (AUC), doğruluk, duyarlılık ve özgüllük ölçütleri ile değerlendirildi. Bulgular: Çalışmaya dahil edilen 118 hastanın 52'si (%44,1) operabl, 66'sı (%55,9) inoperabl grupta yer aldı. İnoperabl grupta tümör boyutları, tümör hacmi ve lokal yayılım bulguları daha yüksek oranlarda izlendi. Keşifsel analizlerde radiomics tabanlı modellerin yüksek ayırt edici performans gösterdiği görüldü. Final model değerlendirmesinde radiomics-only Random Forest modeli en başarılı performansı gösterdi ve yaklaşık 0,79 AUC değerine ulaştı. Elde edilen sonuçlar, yalnızca görüntüden çıkarılan kantitatif özelliklerin dahi inoperabilite ile ilişkili bilgi taşıyabileceğini gösterdi. Sonuç: Serviks kanserinde preoperatif T2 ağırlıklı MRG görüntülerinden elde edilen radiomics özelliklerinin, makine öğrenmesi yöntemleri ile analiz edilmesi inoperabilite öngörüsünde anlamlı performans sağlayabilmektedir. Bu yaklaşımın, özellikle tedavi planlaması ve klinik karar süreçlerinde yardımcı bir araç olarak kullanılma potansiyeli bulunmaktadır. Daha geniş hasta serileri ve çok merkezli doğrulama çalışmaları ile sonuçların desteklenmesi gerekmektedir.

Özet (Çeviri)

Aim: The aim of this study was to evaluate the ability of machine learning methods to predict inoperability in patients with cervical cancer using radiomics features extracted from preoperative magnetic resonance imaging (MRI), and to investigate the potential contribution of image-based quantitative analysis to clinical decision-making. Materials and Methods: This retrospective single-center study included a total of 118 patients diagnosed with cervical cancer who underwent preoperative pelvic MRI between January 2010 and January 2025. Patients were classified into operable (OP) and inoperable (INOP) groups. Tumor segmentation was performed on axial T2-weighted MRI images, followed by extraction of radiomics features. Machine learning analyses were applied to the extracted data. During the exploratory phase, multiple algorithms were evaluated, whereas Random Forest and Generalized Linear Model (GLM) approaches were compared in the final analysis. Model performance was assessed using receiver operating characteristic (ROC) analysis, area under the curve (AUC), accuracy, sensitivity, and specificity. Results: Among the 118 included patients, 52 (44.1%) were classified as operable and 66 (55.9%) as inoperable. The inoperable group demonstrated higher tumor burden and more extensive local disease characteristics. Exploratory analyses indicated that radiomics-based models achieved promising discriminatory performance. In the final evaluation, the radiomics-only Random Forest model demonstrated the highest predictive performance, reaching an AUC of approximately 0.79. These findings suggest that quantitative imaging features alone may contain clinically relevant information associated with inoperability. Conclusion: Radiomics features extracted from preoperative T2-weighted MRI images and analyzed using machine learning approaches may provide meaningful performance in predicting inoperability in cervical cancer. This approach has the potential to serve as a supportive tool in treatment planning and clinical decision-making. Further validation through larger and multicenter studies is warranted.

Benzer Tezler

  1. Tez No

    962147

    Makine öğrenmesi ve yapay zeka tabanlı manyetik rezonans görüntüleme analizi ile adneksiyel kitlelerin malignite potansiyellerinin öngörülmesi

    Predicting the malignancy potential of adnexal masses using machine learning and ai-based magnetic resonance imaging analysis

    ZEYNEP ACAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Kadın Hastalıkları ve DoğumSağlık Bilimleri Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    DOÇ. DR. MERVE ALDIKAÇTIOĞLU TALMAÇ

    DR. HALE ÇETİN ARSLAN

  2. Tez No

    997036

    Acil serviste periferik ve santral vertigo tanısında yapay zeka destekli bir sistemin tasarlanması ve klinik önemi

    Design and clinical significance of an artificial intelligence-assisted system for diagnosing peripheral and central vertigo in the emergency department

    ÖMER TURALİOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Acil TıpAtatürk Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. ERDAL TEKİN

  3. Tez No

    879686

    Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data

    Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları

    İSMAİL BİLGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  4. Tez No

    945247

    Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo

    Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi

    NUSAIBAH KHALID ABDULMAJEED AL-SALIHI

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUS ÇEVİK

    PROF. DR. TURGAY İBRİKÇİ

  5. Tez No

    1011844

    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

    YUNUS EMRE SAĞLAM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    NöroşirürjiBezm-İ Alem Vakıf Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    PROF. DR. MUSTAFA AZİZ HATİBOĞLU

Geri Dön