Geri Dön

Küçük hücreli akciğer kanseri ile küçük hücreli dışı akciğer kanserinin ayırıcı tanısında kontrastlı BT görüntülemeye radiomics ve makine öğrenmesinin katkısı

The contribution of radiomics and machine learning to contrast enhanced CT imaging in the differential diagnosis of small cell lung cancer and non-small cell lung cancer

PDF İndir

  1. Tez No: 635348
  2. Yazar: MAILA ASADULLAYEVA
  3. Danışmanlar: DOÇ. DR. SEVTAP DOĞAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Akciğer kanseri, KHAK, KHDAK, Radiomics, Makine öğrenmesi, Akciğer, Akciğer hastalıkları, Akciğer neoplazmları, Karsinoma-küçük hücreli olmayan-akciğer, Neoplazmlar, Radyomikler, Teşhis, Teşhis-ayırıcı, Tomografi-x ışınlı-bilgisayarlı, Lung cancer, SCLC, NSCLC, Radiomics, Machine learning, Lung, Lung diseases, Lung neoplasms, Carcinoma-non small cell-lung, Neoplasms, Diagnosis, Diagnosis-differential, Tomography-x ray-computed
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş ve Amaç: Akciğer kanserinin doğru sınıflandırılması, tedavi seçenekleri, prognoz, nüks ve sağkalım oranlarını belirlemede önemli bir adımdır. Bu çalışmada, akciğer kanseri tiplerinin ayrımında radiomics ve makine öğrenmesinin BT görüntülemeye katkısının araştırılması amaçlanmıştır. Gereç ve Yöntem: Çalışmaya retrospektif olarak 150 hasta (73 AK, 42 YHK, 35 KHAK) dahil edildi. Filtresiz, ince ve kaba filtre kulanılarak tedavi öncesi kontrastlı BT görüntülerinden şekil tabanlı, birinci, ikinci ve yüksek düzey texture özellikleri olmak üzere toplam 107 adet radiomics özelliği elde edildi. Tüm radiomics özellikleri kullanılarak support vector machine, lojistik regresyon, k-nearest neighborhood, naive Bayes, decision tree, random forest ve neural network algoritmaları ile sınıflandırma yapıldı. Özellik azaltma yöntemi olarak FCBF metodu, internal validasyon tekniği olarak stratified 10-fold cross-validation kullanıldı. Makine öğrenme algoritmalarının sınıflandırma performansı AUC, sensitivite, spesifisite ve doğruluk oranları ile değerlendirildi. Bulgular: Naive Bayes algortiması filtresiz görüntülerden elde edilen radiomics özelliklerinin kullanıldığı KHDAK ile KHAK hasta gruplarını karşılaştıran ikili sınıflamada (AUC 0.883, doğruluğu % 82, KHDAK'i saptamada sensitivitesi %88, spesifisitesi % 63) ve AK, YHK ve KHAK hasta gruplarını karşılaştıran üçlü sınıflamada (KHAK hasta grubunu diğer gruplardan ayırmada AUC 0.858, doğruluğu %81, sensitivitesi %63 spesifisitesi %87) en iyi performansı gösterdi. Sonuç: Kontrastlı BT görüntülerinden elde edilen radiomics özellikleri kullanılarak oluşturulan makine öğrenmesi algoritmaları, akciğer kanseri histolojisinin sınıflandırılması için güçlü öngörme gücüne sahip olabilir.

Özet (Çeviri)

Introduction and Purpose: The correct classification of lung cancer is an important step in determining treatment options, prognosis, recurrence and survival rates. In this study, it was aimed to investigate the contribution of radiomics and machine learning to CT imaging in differentiating lung cancer types. Materials and Methods: Total 150 patients (73 AD, 42 SCC, 35 SCLC) were retrospectively included in the study. Unfiltred, fine and coarse filters were used, and a total of 107 radiomics features, including shape-based, first, second, and high-level texture properties, were extracted from contrast enhanced CT images prior to treatment. Classification was made with support vector machine, logistic regression, k-nearest neighborhood, naive Bayes, decision tree, random forest and neural network algorithms using all radiomics features. FCBF method was performed as feature reduction method and stratified 10-fold cross-validation, used as internal validation technique. Classification performance of machine learning algorithms was evaluated with the area under the curve (AUC), sensitivity, specificity and accuracy rates. Result: The naive Bayes had the highest diagnostic performance in the binary classification comparing NSCLC and SCLC patient groups (AUC 0.883, accuracy 82%, sensitivity 88%, specificity 63% to detect NSCLC). In the triple classification comparing AD, SCC and SCLC patient groups AUC was 0.858 (accuracy 81%, sensitivity 63% specificity 87% in distinguishing SCLC patient group from other groups) using radiomics features obtained from unfiltered images. Conclusion: By using the radiomics features obtained from contrast enhanced CT images, machine learning algorithms can have strong predictive power for classifying lung cancer histology.

Benzer Tezler

  1. Tez No

    907411

    Küçük hücreli dışı akciğer kanseri nedeni ile lobektomi veya daha geniş rezeksiyon yapılan hastalarda preoperatif PET-BT'nin tanısal verimliliği

    Diagnostic efficiency of preoperative PET-CT in patients undergoing lobectomy or more extensive resection for non-small cell lung cancer

    VASIF İNAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Göğüs CerrahisiSağlık Bilimleri Üniversitesi

    Göğüs Cerrahisi Ana Bilim Dalı

    PROF. DR. AHMET ÜÇVET

  2. Tez No

    585799

    A549 küçük hücreli dışı akciğer kanseri hücrelerinde cdk 4/6 inhibitörü palbociclib'in enflamasyon ile ilgili etkilerinin araştırılması

    Investigation of infammation-related effects of cdk 4/6 inhibitor palbociclib in a549 non-small cell lung cancer cells

    ŞULE KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Tıbbi Biyolojiİstanbul Kültür Üniversitesi

    Moleküler Biyoloji ve Genetik Ana Bilim Dalı

    PROF. DR. ZEYNEP NARÇİN ÜNSAL

  3. Tez No

    632164

    Küçük hücreli dışı akciğer kanseri (KHDAK) olgularında insan epididim proteini 4 (HE4) serum düzeyleri ile lenf nodu tutulumu ve pozitron emisyon tomografisi'ndeki (PET) standart tutulum değeri (SUV) arasındaki korelasyonun değerlendirilmesi

    Evaluating the correlation between human epididymis protein 4 (HE4) serum levels and lymph node involvement and standard uptake value (SUV) in positron emission tomography (PET) in patients with non-small cell lung cancer (NSCLC)

    YİĞİT YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Göğüs Kalp ve Damar CerrahisiHacettepe Üniversitesi

    Göğüs Cerrahisi Ana Bilim Dalı

    PROF. DR. RIZA DOĞAN

  4. Tez No

    784828

    Rezeksiyon yapılan küçük hücreli dışı akciğer kanseri olgularında HTERT ile ilişkili mikroRNA-299-3p'nin preoperatif ve postoperatif analizi

    Preoperative and postoperative analysis of microRNA-299-3p associated with HTERT in resected lung cancer cases

    İBRAHİM EMRE TUNCA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Göğüs CerrahisiGaziantep Üniversitesi

    Göğüs Cerrahisi Ana Bilim Dalı

    PROF. DR. MARUF ŞANLI

  5. Tez No

    346400

    Opere edilmiş küçük hücreli dışı akciğer kanserinde mediastinal lenf nodu tutulumunun seçilmiş moleküler belirteçler ile tahmin edilmesi

    The prediction of mediastinal lymph node involvoment in the operabl non- small cell lung cancer with the selectif molecular markers

    AZİZ GÜMÜŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2006

    Göğüs HastalıklarıAkdeniz Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. HAKAN BOZCUK

Geri Dön