Geri Dön

Serviks kanseri hastalarında definitif kemoradyoterapi sonrası erken dönem tedavi yanıtının tahmini: Yapay zekâ tabanlı prediksiyon analizi

Prediction of early treatment response after definitive chemoradiotherapy in patients with cervical cancer: An artificial intelligence-based predictive analysis

PDF İndir

  1. Tez No: 1025780
  2. Yazar: MEHMET HALICI
  3. Danışmanlar: PROF. DR. HÜRİYE ŞENAY KIZILTAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyasyon Onkolojisi, Radiation Oncology
  6. Anahtar Kelimeler: Makine öğrenmesi yöntemleri, Uterin servikal hastalıklar, Machine learning methods, Uterine cervical diseases
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Başakşehir Çam ve Sakura Şehir Hastanesi
  11. Ana Bilim Dalı: Radyasyon Onkolojisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Lokal ileri evre serviks kanseri hastalarında definitif kemoradyoterapi sonrası erken dönem tedavi yanıtını öngörmeye yönelik, klinik-histopatolojik, radyomik ve dozyomik veriyi bütünleştiren yapay zekâ tabanlı prediktif modeller geliştirmek ve karşılaştırmalı olarak değerlendirmektir. Gereç ve Yöntem: Ocak 2020–Haziran 2024 tarihleri arasında kliniğimizde tedavi edilen 294 lokal ileri serviks kanseri hastası taranmış; dahil edilme kriterlerini karşılayan 70 hasta retrospektif olarak analiz edilmiştir. Hedef değişken, eksternal radyoterapisinin tamamlanmasının ardından RECIST 1.1 (Response Evaluation Criteria in Solid Tumor) kriterlerine göre değerlendirilen tam yanıt (CR) / tam yanıt olmayan (non-CR) ayrımı olarak belirlenmiştir. T2 ağırlıklı pelvik MR'dan radyomik, RTDOSE (Radyoterapi Doz Dağılım Dosyası) verilerinden ise dozyomik özellikler çıkarılıp iki hekim arasındaki sınıf içi korelasyon katsayısı (ICC ≥ 0,75) filtresinden geçirildikten sonra; klinik ve histopatolojik verilerden oluşan klinik veri seti ile birleştirilerek yedi farklı veri seti kombinasyonu oluşturulmuştur. İki paralel model geliştirme kolunda; Kol A'da Spearman korelasyon filtresi ve PCA ardından dokuz algoritma, Kol B'de Elastic Net gömülü değişken seçimiyle iki yorumlanabilir model iç içe 5×5 çapraz doğrulama stratejisiyle test edilmiştir. Model performansı; eğri altında kalan alan (AUC) başta olmak üzere duyarlılık, özgüllük ve diğer sınıflandırma metrikleri, kalibrasyon analizi ve karar eğrisi analizi (DCA) ile değerlendirilmiştir. Öznitelik yorumlanabilirliği için Elastic Net katsayıları incelenmiş; modellerin genellenebilirliğini değerlendirmek amacıyla öğrenme eğrileri de analiz edilmiştir. Bulgular: Hastaların %61,4'ünde (n = 43) tam yanıt elde edilmiştir. Klinik ve histopatolojik değişkenler arasında tümör çapı (p = 0,002) ve parametriyal invazyon varlığı (p = 0,001) CR ile istatistiksel olarak anlamlı ilişki gösterirken, radyoterapi EQD2 dozu ve tedavi süresi açısından gruplar arasında dengeli bir dağılım gözlenmiştir. Sayısal olarak en yüksek AUC değeri Klinik + Dozyomik Elastic Net modelinde elde edilmiş (AUC = 0,769; duyarlılık: %96,3; özgüllük: %51,2; F1: 0,703); bunu Klinik + Radyomik LR (L1) izlemiştir (AUC = 0,762; duyarlılık: %100,0; özgüllük: %51,2; F1: 0,720). Bununla birlikte ikili karşılaştırmalarda modeller arasında istatistiksel olarak anlamlı AUC farklılığı saptanmamıştır (DeLong, tüm p > 0,05). Öğrenme eğrisi analizinde ise kombinasyonların büyük çoğunda belirgin plato gözlenmemiş; eğitim verisi arttıkça AUC değerlerinin yükselmeye devam ettiği görülmüştür (en belirgin iyileşme Klinik + Dozyomik kombinasyonunda, ΔAUC = 0,112). Sonuç: Konvansiyonel klinik-histopatolojik değişkenlere radyomik ve dozyomik veri katmanlarının entegrasyonuyla geliştirilen, açıklanabilir yapay zekâ iş akışını bütünleştiren bu keşifsel çalışma; modeller arasında sayısal düzeyde tutarlı bir performans örüntüsü ortaya koyarak görüntüleme temelli bireyselleştirilmiş radyoterapi paradigmasına kavramsal bir katkı sunmaktadır. Dış kohort doğrulaması, prospektif validasyon ve uzun vadeli onkolojik sonuçlarla ilişkilendirme öncelikli gelecek adımları olarak öne çıkmaktadır.

Özet (Çeviri)

Objective: To develop and comparatively evaluate artificial intelligence-based predictive models integrating clinical-histopathological, radiomic, and dosiomic data for predicting early treatment response following definitive chemoradiotherapy in locally advanced cervical cancer. Materials and Methods: A total of 294 locally advanced cervical cancer patients treated at our institution between January 2020 and June 2024 were screened; 70 patients meeting the inclusion criteria were retrospectively analyzed. The target variable was defined as the complete response (CR) / non-complete response (non-CR) distinction assessed according to RECIST 1.1 (Response Evaluation Criteria in Solid Tumor) criteria following completion of external beam radiotherapy. Radiomic features were extracted from T2-weighted pelvic MRI and dosiomic features from RTDOSE data; after passing through an inter-rater intraclass correlation coefficient filter (ICC ≥ 0.75), these were combined with a clinical dataset comprising clinical and histopathological variables to construct seven distinct feature combination sets. In two parallel model development arms, nine algorithms following Spearman correlation filtering and PCA in Arm A, and two interpretable models with Elastic Net embedded feature selection in Arm B, were tested using a nested 5×5 cross-validation strategy. Model performance was evaluated using AUC as the primary metric alongside sensitivity, specificity, and additional classification metrics, calibration analysis, and decision curve analysis (DCA). Elastic Net coefficients were examined for feature interpretability, and learning curves were analyzed to assess model generalizability. Results: Complete response was achieved in 61.4% of patients (n = 43). Among clinical and histopathological variables, tumor diameter (p = 0.002) and parametrial invasion (p = 0.001) showed statistically significant associations with CR, while a balanced distribution was observed between groups with respect to radiotherapy EQD2 dose and treatment duration. The numerically highest AUC was obtained with the Clinical + Dosiomic Elastic Net model (AUC = 0.769; sensitivity: 96.3%; specificity: 51.2%; F1: 0.703), followed by the Clinical + Radiomic LR (L1) model (AUC = 0.762; sensitivity: 100.0%; specificity: 51.2%; F1: 0.720). Nevertheless, no statistically significant AUC difference was detected in any of the 21 pairwise comparisons (DeLong test, all p> 0.05). Learning curve analysis revealed no apparent plateau in the majority of combinations, with AUC values continuing to rise as training data increased (most pronounced improvement in the Clinical + Dosiomic combination, ΔAUC = 0.112). Conclusion: By integrating radiomic and dosiomic feature layers with conventional clinical-histopathological variables within an explainable artificial intelligence framework, this exploratory study reveals a numerically consistent performance pattern across models and provides a conceptual contribution to the paradigm of imaging-based individualized radiotherapy. External cohort validation, prospective validation, and correlation with long-term oncological outcomes represent the primary future directions.

Benzer Tezler

  1. Tez No

    1001415

    Definitif kemo-radyoterapi alan lokal ileri evre serviks kanseri hastalarında IPSA ve HIPO planlama sistemlerinin karşılaştırılması ve üreter doz optimizasyonu

    Comparison of IPSA and HIPO planning systems and ureter dose optimization in patients with locally advanced cervical cancer undergoing definitive chemo-radiotherapy

    YUNUS BABAYİĞİT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Radyasyon OnkolojisiAnkara Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    DOÇ. DR. SÜMERYA DURU BİRGİ

  2. Tez No

    722350

    FIGO 2018 serviks kanseri evrelendirilmesine göre serviks kanserli olgularımızın dağılımı ve prognuzu

    Distribution and prognosis of OUR cervical cancer cases according to 2018 cervical cancer staging

    BÜŞRA ASENA TORUN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Kadın Hastalıkları ve DoğumAnkara Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    PROF. DR. UĞUR FIRAT ORTAÇ

  3. Tez No

    943823

    Lokal ileri serviks kanserinde brakiterapi öncesi FDG-PET/CT değerlendirilmesi

    Evaluation of FDG-PET/CT before brachytherapy in locally advanced cervical cancer

    FEYZA YAŞAR DAŞGIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyasyon OnkolojisiSağlık Bilimleri Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    PROF. DR. YILMAZ TEZCAN

  4. Tez No

    969957

    Lokal ileri serviks kanserinde primer kemo-radyoterapi sonrasında nüks ile ilişkisi olabilecek genlerin analizi

    Molecular analysis of genes associated with recurrence following definitive chemoradiotherapy in locally advanced cervical cancer

    ÖZLEM YETMEN DOĞAN

    Doktora

    Türkçe

    Türkçe

    2025

    OnkolojiSağlık Bilimleri Üniversitesi

    Moleküler Onkoloji Ana Bilim Dalı

    DOÇ. DR. GÖKHAN YAPRAK

  5. Tez No

    383146

    Lokal ileri serviks kanserinde radyoterapi

    Radiotherapy in locally advanced cervical cancer

    SÜMERYA DURU BİRGİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    OnkolojiHacettepe Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    PROF. DR. FERAH YILDIZ

Geri Dön