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
- Tez No: 635348
- Danışmanlar: DOÇ. DR. SEVTAP DOĞAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Akciğer kanseri, KHAK, KHDAK, Radiomics, Makine öğrenmesi, Lung cancer, SCLC, NSCLC, Radiomics, Machine learning
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
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
- Akciğer kanserli hastalarda primer tümör ve karaciğer metastazlarının pozitron emisyon tomografisi ile semikantitatif olarak değerlendirilmesi
Semiquantitative evaluation of primary tumor and liver metastasis in patients with lung cancer by positron emission tomography
SALİM AKSOY
- Akciğer kanserli hastalarda serum anti-siklik sitrüline peptid antikor ile hastalık ilişkisi
The relationship between serum anti-cyclic citruline peptide antibody and disease in patient with lung cancer
YUNUS AKTAKKA
- Kadınlarda akciğer kanseri genel özellikleri ve prognostik faktörler
Lung cancer in women; general features and prognostic facors
YILDIZ UÇAR
Tıpta Uzmanlık
Türkçe
2010
Göğüs HastalıklarıAnkara ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. İSMAİL SAVAŞ
- 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
2023
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. ŞÜKRÜ MEHMET ERTÜRK
- 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
2024
Göğüs CerrahisiSağlık Bilimleri ÜniversitesiGöğüs Cerrahisi Ana Bilim Dalı
PROF. DR. AHMET ÜÇVET