Machine learning assisted intraoperative assessment of brain tumor margins using HRMAS NMR spectroscopy
Beyin tümörü sınırlarının ameliyat sırasında HRMAS NMR spektroskopisi kullanılarak makine öğrenimi destekli değerlendirilmesi
- Tez No: 685395
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAH ERCÜMENT ÇİÇEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Glioma hastalarında tümörün tam rezeksiyonu sağkalım için önemlidir. Gross total rezeksiyon sağlanmış olsa bile, eksizyon kavitesinde kalan mikro ölçekli tümörlü doku nüks riski taşır. Yüksek Çözünürlüklü Sihirli Açı Döndürmeli Nükleer Manyetik Rezonans (HRMAS NMR) tekniği, biyobelirteç metabolit pik uzunluklarını kullanarak sağlıklı ve tümörlü numuneleri başarılı bir şekilde ayırt edebilir. Bu yöntemin küçük ve işlenmemiş numuneler üzerinde hızlı ve hassas bir şekilde çalışması ameliyat sırasında gerçek zamanlı analiz için uygun olmasını sağlar. Ancak, bu metodun ameliyat sırasında kullanımı için kimya bilgisine sahip bir teknisyenin ve tümör metabolizması hakkında bilgi sahibi bir patoloğun ameliyata katılması gereklidir. Ayrıca, bu yöntem ile yapılan analiz bilinen tümör biyobelirteçleri ile kısıtlı ve onların varlığına yöneliktir. Bu çalışmada, bahsedilen analizi HRMAS NMR spektrumu üzerinde makine öğrenimi kullanarak, bilinen tümor biyobelirteç metabolitlerinden bağımsız, gerçek zamanlı ve doğru bir biçimde gerçekleştirebileceğimizi gösterdik. Bu amaç doğrultusunda, glioma ve sağlıklı numuneler içeren, kantitatif bir patoloji analizi ile etiketlenmiş, yeni ve büyük bir HRMAS NMR veri kümesi (n = 565) kullandık. Rastgele orman temelli bir yaklaşımın tümorlü ve sağlıklı numuneleri ayırt etmekte başarılı olduğunu (%85.6 medyan AUC ve %93.4 medyan AUPR) gözlemledik. Ayrıca, iyi ve kötü huylu tümörlü numunelerin benzer bir yaklaşım ile ayrılabildiğini (%87.1 medyan AUC ve %96.1 medyan AUPR) gösterdik. Modelimizin sonuçlarını yorumlamak için özellik (pik) önem derecesini analiz ettik. Kreatin ve 2-hidroksiglutarat gibi bilinen malignite biyobelirteçlerinin tümör ve sağlıklı hücreleri ayırt etmede önemli bir rol oynadığını doğruladık ve yeni biyobelirteç bölgeleri önerdik.
Özet (Çeviri)
Complete resection of the tumor is important for survival in glioma patients. Even if the gross total resection was achieved, left-over micro-scale tissue in the excision cavity risks recurrence. High Resolution Magic Angle Spinning Nuclear Magnetic Resonance (HRMAS NMR) technique can distinguish healthy and malign tissue efficiently using peak intensities of biomarker metabolites. The method is fast, sensitive and can work with small and unprocessed samples, which makes it a good fit for real-time analysis during surgery. However, only a targeted analysis for the existence of known tumor biomarkers can be made and this requires a technician with chemistry background, and a pathologist with knowledge on tumor metabolism to be present during surgery. Here, we show that we can accurately perform this analysis in real-time and can analyze the full spectrum in an untargeted fashion using machine learning. We work on a new and large HRMAS NMR dataset of glioma and control samples (n = 565), which are also labeled with a quantitative pathology analysis. Our results show that a random forest based approach can distinguish samples with tumor cells and controls accurately and effectively with a median AUC of 85.6% and AUPR of 93.4%. We also show that we can further distinguish benign and malignant samples with a median AUC of 87.1% and AUPR of 96.1%. We analyze the feature (peak) importance for classification to interpret the results of the classifier and validate that known malignancy biomarkers such as creatine and 2-hydroxyglutarate play an important role in distinguishing tumor and normal cells and suggest new biomarker regions.
Benzer Tezler
- Makine öğrenmesi destekli akciğer görüntüleme
Machine learning assisted lung imaging
GÜLCE LEYLEK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NAKİFE YASEMİN TOPALOĞLU
DR. ÖĞR. ÜYESİ AHMET EGESOY
- Machine learning assisted force field development for nucleic acids
Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi
GÖZDE İNİŞ DEMİR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- Machine learning assisted design of biomedical high entropy alloys with low elastic modulus for orthopedic applications
Ortopedik uygulamalar için düşük elastik modüle sahip biyomedikal yüksek entropili alaşımların makine öğrenimi destekli tasarımı
HÜSEYİN CAN ÖZDEMİR
Doktora
İngilizce
2024
Makine MühendisliğiKoç ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. DEMİRCAN CANADİNÇ
- Machine-learning-assisted de novo design of molybdenum disulfide binding peptides
Molibden disülfid bağlayıcı peptitlerin makine öğrenimi destekli de novo tasarımı
ALP DENİZ ÖĞÜT
Yüksek Lisans
İngilizce
2024
Biyomühendislikİzmir Yüksek Teknoloji EnstitüsüBiyoteknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ TANIL YÜCESOY
DR. ÖĞR. ÜYESİ MEHMET SERKAN APAYDIN
- Machine learning assisted massively parallel crystal structure prediction
Makine öğrenimi destekli paralel kristal yapı tahmini
SAMET DEMİR
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN