Geri Dön

Meme kanserinde PET/BT sonucu üzerinde makine öğrenmesi yöntemi ile kemoterapi yanıtının öngörülmesi

Prediction of chemotherapy response in breast cancer using machine learning methods based on PET/CT results

PDF İndir

  1. Tez No: 1025129
  2. Yazar: YUSUF KAĞAN DAĞDEVİREN
  3. Danışmanlar: PROF. DR. PETEK BALLAR KIRMIZIBAYRAK
  4. Tez Türü: Doktora
  5. Konular: Onkoloji, Radyoloji ve Nükleer Tıp, Oncology, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Sağlık Biyoinformatiği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Meme kanseri, heterojen yapısı nedeniyle tedaviye verilen yanıtın bireyler arasında önemli farklılıklar gösterdiği bir hastalıktır. Neoadjuvan kemoterapi (NAK), tedaviye yanıtın erken dönemde değerlendirilmesine olanak sağlamakta olup, patolojik tam yanıt (pCR) ve rezidüel kanser yükü (Residual Cancer Burden, RCB) gibi göstergeler klinik karar süreçlerinde kritik rol oynamaktadır. Ancak, tedavi öncesinde bu yanıtın güvenilir şekilde öngörülebilmesi halen önemli bir klinik gereksinimdir. Bu doktora tezinde, meme kanserinde neoadjuvan kemoterapi (NAK) yanıtının öngörülmesi amacıyla PET/BT (Pozitron Emisyon Tomografisi/Bilgisayarlı Tomografi) verileri ile çok boyutlu klinik ve patolojik değişkenlerin bütünleşik olarak değerlendirilmesi hedeflenmiştir. Retrospektif kohortta yer alan 328 hastada tedavi yanıtı Rezidüel Kanser Yükü (RCB) sınıfları ile değerlendirilmiş; dağılım RCB-0 (pCR) %27,4 (n=90), RCB-I %10,4 (n=34), RCB-II %43,6 (n=143) ve RCB-III %18,6 (n=61) olarak belirlenmiştir. RCB ile ilişkili değişkenler çoklu analizlerle incelenmiş ve pCR öngörüsü için değişken önemine dayalı modelleme yaklaşımı geliştirilmiştir. Bu kapsamda en iyi performans gösteren model olarak L2 (Ridge) lojistik regresyon modeli seçilmiş; test setinde AUC=0,803 ve çapraz doğrulamada AUC=0,826 elde edilmiştir. Belirlenen optimal eşik değerinde model, %69,7 doğruluk, %72,2 duyarlılık ve %68,8 özgüllük ile dengeli bir performans göstermiştir. RCB'nin çok sınıflı öngörüsünde ise en iyi sonuç, tüm değişkenleri içeren modelde LightGBM algoritması kullanılarak elde edilmiştir (test AUC=0,838; doğruluk=0,636; F1=0,602). Bulgular, multimodal veri entegrasyonunun tedavi yanıtının öngörülmesinde anlamlı katkı sağlayabileceğini göstermektedir. Geliştirilen modellerin klinik uygulamaya aktarılabilirliğini değerlendirmek amacıyla çok platformlu bir karar destek sistemi tasarlanmış ve farklı hesaplama ortamları arasında yüksek düzeyde sayısal tutarlılık sağlandığı doğrulanmıştır. Ayrıca gerçekleştirilen sağlık ekonomisi analizinde, model temelli yaklaşımın belirli senaryolarda maliyet-etkin olabileceğine işaret edilmiştir. Sonuç olarak, bu tez çalışması, meme kanserinde NAK yanıtının öngörülmesine yönelik bütünleşik bir modelleme yaklaşımının uygulanabilirliğini ortaya koymakta ve klinik karar süreçlerine destek sağlayabilecek bir çerçeve sunmaktadır.

Özet (Çeviri)

Breast cancer is a disease in which treatment response varies substantially among individuals due to its heterogeneous nature. Neoadjuvant chemotherapy (NAC) enables early evaluation of treatment response, and indicators such as pathological complete response (pCR) and Residual Cancer Burden (RCB) play a critical role in clinical decision-making. However, the reliable prediction of treatment response prior to therapy remains an important unmet clinical need. In this doctoral thesis, it was aimed to predict NAC response in breast cancer through the integrated evaluation of PET/CT (Positron Emission Tomography/Computed Tomography) data together with multidimensional clinical and pathological variables. In a retrospective cohort of 328 patients, treatment response was assessed using RCB classes, with the following distribution: RCB-0 (pCR) 27.4% (n=90), RCB-I 10.4% (n=34), RCB-II 43.6% (n=143), and RCB-III 18.6% (n=61). Variables associated with RCB were analyzed using multivariate methods, and a variable-importance-based modeling approach was developed for pCR prediction. Within this framework, the best-performing model was identified as L2 (Ridge) logistic regression, achieving an AUC of 0.803 on the test set and an AUC of 0.826 in cross-validation. At the optimal threshold, the model demonstrated balanced performance with 69.7% accuracy, 72.2% sensitivity, and 68.8% specificity. For multiclass prediction of RCB, the best results were obtained using the LightGBM algorithm with a model incorporating all variables (test AUC=0.838; accuracy=0.636; F1-score=0.602). These findings indicate that multimodal data integration can make a meaningful contribution to predicting treatment response. To evaluate the clinical translatability of the developed models, a multi-platform clinical decision support system was designed, and a high level of numerical consistency across different computational environments was confirmed. In addition, health economic analysis suggested that a model-based approach may be cost-effective under certain scenarios. In conclusion, this thesis demonstrates the feasibility of an integrated modeling approach for predicting NAC response in breast cancer and provides a framework that may support clinical decision-making processes.

Benzer Tezler

  1. Tez No

    793568

    Kemoradyoterapi alan akciğer kanseri hastalarında pet/btile bt desen analizi karşılaştırılması: tümörün tedaviyeyanıtını öngörebilir miyiz?

    Comparison of pet/ct and ct texture analysis in patients withstage iii-iv lung cancer receiving chemoradiotherapy: can wepredict the treatment response of the tumor?

    NILUFAR GASIMLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. ŞÜKRÜ MEHMET ERTÜRK

  2. Tez No

    519901

    Compressed sensing based 3D image reconstruction in digital breast tomosynthesis and micro-bioimaging

    Sayısal meme tomosentezinde ve mikro biyogörüntülemede sıkıştırılmış algılama tabanlı 3B görüntü geri çatma

    ADEM POLAT

    Doktora

    İngilizce

    İngilizce

    2018

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  3. Tez No

    655151

    Pulmoner nodül malignite tahmin modellerinin etkinliklerinin opere nodüller üzerinden karşılaştırılması

    Comparison of the effectiveness of pulmonary nodule malignancy prediction models via operated nodules

    HAKAN NOMENOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Göğüs Kalp ve Damar CerrahisiSağlık Bilimleri Üniversitesi

    Göğüs Cerrahisi Ana Bilim Dalı

    PROF. DR. GÖKTÜRK FINDIK

  4. Tez No

    945198

    U-net ve sam entegrasyonu ile meme mr görüntülerinde tümör segmentasyonu ve morfolojik işlemlerle takibi

    Breast mri tumor segmentation using U-net and sam integration with morphological tracking methods

    ALPTUĞ ŞEREF AYYILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

  5. Tez No

    751099

    Meme kanserinde 18-FDG PET/BT sonucu ile dokudaki Mİr-22, MİR-328-3P ve MİR-140 mikro RNA'larının ekspresyonlarının korelasyonlarının araştırılması

    Investigation of the correlations of 18FDG PET/CTresult and expressions of MİR-22, MİR328-3p and MİR-140 micro RNA'S in breast cancer tissue

    ELİF ÖZLEM GÖKÇE

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Tıbbi BiyolojiÇanakkale Onsekiz Mart Üniversitesi

    Tıbbi Sistem Biyolojisi Ana Bilim Dalı

    DOÇ. DR. MELİHA MERVE ÇİÇEKLİYURT

Geri Dön