Identifying ct image radiomic biomarkers for predicting immunotherapy response of non-small cell lung cancer patients
Küçük hücreli dışı akciğer kanseri hastalarının immünoterapi cevaplarını öngören radyomik bt görüntü biyoişaretlerinin tespiti
- Tez No: 646294
- Danışmanlar: DOÇ. DR. ALBERT GÜVENİŞ, PROF. DR. ROBERT J. GILLIES
- Tez Türü: Doktora
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 181
Özet
Kontrol noktası blokajı immünoterapisi (İmT) ileri evre küçük hücreli dışı akciğer kanseri (KHDAK) hastalarının bir kısmında uzun süreli sağkalım gosteriyor. Bununla birlikte, İmT yanıtını yüksek bir başarı ile tahmin edebilen biyobelirteçler halen karşılanamamış klinik bir ihtiyaçtır. Bu tezde, İmT ile tedavi edilmiş KHDAK hastaları arasında ani hastalık progresyonu (AHP) fenotipleri ve sağkalım sonuçlarını öngören yalın modelleri tanımlamak için tedavi öncesi klinik değişkenler ve nicel görüntü-temelli özellikler (yani, Radyomikler) kullanılmıştır. Bu tezin içeriği bağlamında dört çalışma yapılmıştır. İlk olarak, radyal gradyan ve radyal sapma haritalarını kullanan yeni prognostik ve prediktif bilgisayarlı tomografi (BT) radyomik özellikleri oluşturuldu. Bir özellik, RD outside-border SD, iki bağımsız KHDAK kohortunda genel sağkalım ile ilişkili olarak bulundu. İkinci olarak, KHDAK İmT'nin hiper-ani progresyonu (HAD) dahil olmak üzere AHP fenotiplerini öngören klinik-radyomik modeller yaratıldı. Toplam 228 KHDAK hastasında AHP'yi öngörmek için orta ila yüksek kabiliyete sahip (eğri altındaki alanlar: 0.812 ve 0.843) klinik-radyolojik modeller oluşturuldu. Üçüncü çalışmada, akciğer lezyonları kullanılarak stabil ve tekrarlanabilir periferik-tümör ve tümör-içi BT radyomik özellikleri, yanlış bulgu olasılığını azaltmak için tanımlandı. Dördüncü ve son çalışmada, İmT ile tedavi edilen 332 KHDAK hastasının sağkalım sonuçlarına dayanan yalın bir risk modeli tanımlamak için tedavi öncesi klinik değişkenler ve radyomikler kullanılıdı. En öngörücü radyomik özellik (GLCM inverse difference), bir gen ifadesi ve bir immünohistokimya kohortu kullanılarak, CAIX ifadesi ile pozitif olarak ilişkili bulundu.
Özet (Çeviri)
Checkpoint blockade immunotherapy (IO) provides improved long-term survival in a subset of advanced stage non-small cell lung cancer (NSCLC) patients. However, highly predictive biomarkers of IO response are an unmet clinical need. In this thesis, pre-treatment clinical covariates and quantitative image-based features (i.e., Radiomics) were utilized to identify parsimonious models that predict rapid disease progression (RDP) phenotypes and survival outcomes among NSCLC patients treated with IO. As part of the thesis, four studies were conducted. First, novel prognostic and predictive computed tomography (CT) radiomic features utilizing radial gradient and radial deviation maps were created. One feature, RD outside-border SD, was found to be associated with overall survival in two independent NSCLC cohorts. Second, clinical-radiomic models that predicted RDP phenotypes, including hyperprogressive disease (HPD), were created in the setting of NSCLC IO. Among 228 NSCLC patients, parsimonious clinical-radiomic models with modest to high ability (area under the curves: 0.812 and 0.843) to predict RDP were identified. In the third study, stable and reproducible peritumoral and intratumoral CT radiomic features of lung lesions were identified to reduce the chance of spurious findings. In the fourth and final study, pre-treatment clinical covariates and radiomics were utilized to identify a parsimonious risk-model based on survival outcomes among 332 NSCLC patients treated with IO. The most predictive radiomic feature (GLCM inverse difference) was found to be positively associated with CAIX expression, using a gene-expression and an immunohistochemistry dataset.
Benzer Tezler
- Klivusa ait BT tabanlı radiomics özelliklerinden makine öğrenme algoritmaları kullanılarak elde edilen modellerin osteoporoz tanısındaki yeri
Role of models obtained from ct-based radiomics features and machine learning algorithms of clivus in the diagnosis of osteoporosis
CANDAN GÜNGÖR
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer TıpBalıkesir ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH AKAY
- Medikal görüntü analizinde gürültü saldırılarına karşı derin öğrenme modellerinin performanslarının karşılaştırılması
Benchmarking of deep learning models against adversarial attacks in medical image analysis
GÖKÇE OK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT DENER
- Segmantation in abdominal medical images
Karın bölgesine ait tıbbi görüntülerde bölütleme
AYKUT KOCAOĞLU
Yüksek Lisans
İngilizce
2007
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. GÜLESER KALAYCI DEMİR
- Content based medical image retrieval
İçerik tabanlı tıbbi görüntü bulgetir
NEDA BARZEGARMARVASTI
Doktora
İngilizce
2017
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURAK ACAR
- Derin öğrenme ağları kullanılarak 3B tıbbi görüntü tanımlanması
3D medical image recognition using deep learning networks
ROUBA OMAR ALAHMAD ALOSMAN
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU