Glioblastom IDH mutasyonunu saptamada MR görüntülemeye 'radiomics' ve makine öğrenmesinin katkısı
Predicting IDH mutation in glioblastoma: contribution of radiomics and machine learning to MR imaging
- Tez No: 641435
- Danışmanlar: PROF. DR. GÜR AKANSEL, DR. ÖĞR. ÜYESİ BURCU ALPARSLAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Glioblastom, IDH1 mutasyonu, Makine öğrenmesi, Radiomics, VASARI
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Giriş ve amaç: İzositrat dehidrogenaz (IDH) mutasyonu glioblastomda en önemli bağımsız moleküler prognostik faktördür. Bu çalışmada, glioblastomda IDH1 mutasyonunu saptamada MR görüntülemeye radiomics ve makine öğrenmesinin katkısını araştırmak amaçlanmıştır. Gereç ve yöntem: Çalışmaya retrospektif olarak 78 hasta (15 IDH-mutant GBM, 63 IDHwild tip GBM) dahil edildi. Preoperatif MR görüntüleri Visually AcceSAble Rembrandt Images (VASARI) skorlaması ile değerlendirildi. T2A, FLAIR, postkontrast T1A ve ADC haritası görüntülerinden şekil tabanlı ve birinci, ikinci ve yüksek düzey texture özellikleri olmak üzere toplam 107 adet radiomics özelliği elde edildi. VASARI özellikleri ve radiomics özellikleri ayrı ayrı 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 information gain metodu, internal validasyon tekniği olarak stratified 10-fold cross-validation kullanıldı. Makine öğrenme algoritmalarının sınıflandırma performansı area under the curve (AUC), sensitivite, spesifisite ve doğruluk oranları ile değerlendirildi. Performans karşılaştırması McNemar testi ile yapıldı. p < 0.05 istatistiksel olarak anlamlı kabul edildi. Bulgular: Neural network algoritması hem VASARI (0.752 AUC, % 85 doğruluk, % 47 sensitivite, % 94 spesifisite) hem de radiomics özellikleri (0.826 AUC, % 87 doğruluk, % 60 sensitivite, % 94 spesifisite) ile yapılan sınıflandırmada en iyi performansı gösterdi. İstatistiksel olarak iki sınıflandırma arasında anlamlı fark yoktu (p=0.803). Naive Bayes algoritmasının ise radiomics özellikleri kullanarak yaptığı sınıflandırmanın IDH1 mutasyonunu saptamada sensitivitesi (% 87), VASARI özellikleri ile yaptığı sınıflandırmaya (% 60) göre anlamlı derecede yüksekti (p= 0.002). Sonuç: GBM'de IDH1 mutasyonunun belirlenmesinde radiomics özellikler kullanılarak yapılan makine öğrenmesinin sensitivitesi, VASARI skorlamasına kıyasla daha yüksekti.
Özet (Çeviri)
Introduction and purpose: Isocitrate dehydrogenase (IDH) mutation is the most important independent molecular prognostic factor in glioblastoma (GBM). In this study, it was aimed to investigate the contribution of radiomics and machine learning to MR imaging in predicting IDH1 mutation in GBM. Materials and methods: 78 patients (15 IDH-mutant GBM, 63 IDH-wild type GBM) were included in this retrospective study. Preoperative MR images were evaluated using Visually AcceSAble Rembrandt Images (VASARI) scoring. A total of 107 radiomics features, including shape-based, first, second and higher-order textural features, were extracted from T2W, FLAIR, post-contrast T1W, and ADC map images. Classifications were made with support vector machine, logistic regression, k-nearest neighborhood, naive Bayes, decision tree, random forest and neural network algorithms using VASARI features and radiomics features separately. Feature reduction was done with information gain method, and stratified 10-fold cross-validation was used as an internal validation technique. The performance of machine learning algorithms was evaluated with the area under the curve (AUC), sensitivity, specificity, and accuracy rates. McNemar's test was used to establish whether the classification with VASARI scoring is significantly different from classification with radiomics features. p
Benzer Tezler
- Glioblastom olgularında IDJ-1 mutasyonunun immünohistokimyasal ve real tıme PCR yöntemleri ile değerlendirilmesi ve radyolojik bulgular ile korelasyonu
Evaluation of İDH-1 mutation in glioblastoma cases BY immunohistochemical and real-time PCR methods and its correlation with radiological findings
UMAY KİRAZ
Tıpta Uzmanlık
Türkçe
2020
PatolojiKocaeli ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM VURAL
- Liquid biopsy analysis in Glioma: Pre-operative detection of IDH1, IDH2 and tert gene mutations in circulating free tumor DNA
Glıoma'da likit biyopsi analizi: Kanda dokaşan serbest tümör DNA'sındaki IDH1, IDH2 ve tert gen mutasyonlarının pre-operatif tespiti
MAİDE NUR PAKSOY
Yüksek Lisans
İngilizce
2021
GenetikBahçeşehir ÜniversitesiSağlık Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TİMUÇİN AVŞAR
- Anaplastik oligodendrogliomda kromozom 1P ve 19q'daki kombine delesyonun, IDH-1 gen mutasyonu ve p53 protein ekspresyonu ile korelasyonu ve klinikopatolojik parametrelerle ilişkisi
The correlation between chromosome 1P/19q combined deletion, IHD1 gene mutation P53 protein overexpression and clinicopathologic parameters in anaplastic oligodendroglioma
UĞURAY PAYAM AHMEDMAULID
Tıpta Uzmanlık
Türkçe
2013
Moleküler Tıpİstanbul ÜniversitesiPatoloji Ana Bilim Dalı
PROF. DR. BİLGE BİLGİÇ
- Yüksek grade IDH mutant gliomlar ile IDH wild glioblastom ayrımında MR görüntüleme: Retrospektif araştırılması
The role of magnetic resonance imaging in the differentiation of high grade idh mutant astrocytoma versus idh wild glioblastoma: retrospective based study
EYÜP ÇAMURCUOĞLU
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. AHMET MESRUR HALEFOĞLU
- Glial tümörü bulunan olgularda izositrat dehidrogenaz mutasyonu ve manyetik rezonans görüntüleme bulgularının karşılaştırılması
Comparison the İDH mutation and mri findings in patients with glial tumors
ADEM KOYUNCU
Tıpta Uzmanlık
Türkçe
2019
PatolojiManisa Celal Bayar ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. SERDAR TARHAN