Nazofarenks karsinomunda tedavi öncesi çekilen kontrastlı manyetik rezonans görüntülemeden erken tedavi yanıtı öngörülebilir mi?
Prediction of complete response after radiotherapy in non-metastatic nasopharyngeal carcinoma: Machine learning models based on pretreatment MRİ radiomic and clinical biomarkers
- Tez No: 819475
- Danışmanlar: DOÇ. DR. BERNA YILDIRIM
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyasyon Onkolojisi, Radiation Oncology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Prof. Dr. Cemil Taşcıoğlu Şehir Hastanesi
- Ana Bilim Dalı: Radyasyon Onkolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Amaç: Bu çalışmada, lokalize nazofarenks karsinomunda (NFK) radyoterapi (RT) öncesi elde edilen kontrastlı T1 ağırlıklı manyetik rezonans görüntülemeden (MRG) çıkarılan radyomik özellikler ile klinik verileri kombine ederek makine öğrenmesi tabanlı modeller oluşturmayı ve modellerin erken RT yanıtını öngörme potansiyelini değerlendirmeyi amaçladık. Gereç ve Yöntem: Ocak 2013-Aralık 2020 arasında NFK nedeniyle definitif RT / kemoradyoterapi uygulanan 114 hasta retrospektif olarak değerlendirildi. Dahil edilme kriterlerini karşılamayan hastalar dışlandıktan sonra, kalan 51 hastanın demografik, klinik ve tedavi özellikleri kaydedildi. Skuamöz hücreli karsinom tanısı biyopsi ile doğrulanan tüm hastalar definitif dozda (66-70 Gy / 30-35 fraksiyon) RT aldı. RT sonrası 6 ay içinde MRG ile“Response Evaluation Criteria in Solid Tumors”1.1 (RECIST 1.1) kriterlerine göre yanıt değerlendirmesi yapılarak hastalar tam yanıtlı (n=33) ve rezidü tümör bulunanlar (n=18) olarak iki gruba ayrıldı. Radyomik ve klinik özelliklerin tam yanıtı tahmin etme potansiyeli makine öğrenmesi tabanlı modellerle araştırılarak performans metrikleri ile değerlendirildi. Veriler, %70'i eğitim seti ve %30'u test seti olmak üzere rastgele ayırıldı. Hiper parametre optimizasyonu için 10 kat çapraz validasyon yöntemi, performans ölçümü için bağımsız test seti kullanıldı. Bulgular: Elde edilen 124 radyomik özellikten 17'si ve klinik verilerden 2'si tam yanıt ile ilişkili bulundu (p0,7) gösteren parametrelerin filtrelenmesi sonucu anlamlılık düzeyi daha yüksek olan 6 radyomik özellik ve 1 klinik özellik (hematokrit) seçildi. MLP, RF, SVM, LR ve kNN modellerinin ROC-AUC değeri sırasıyla 0,989, 0,944, 0,867, 0,867 ve 0,733; ve F1 skoru sırasıyla 0,941, 0,875, 0,800, 0,889 ve 0,750 değerlerine ulaştı. Sonuç: Bu çalışmada, MRG tabanlı radyomik özellikler ile klinik verilerin kombine edilmesiyle oluşturulan makine öğrenmesi modellerinin, NFK'de erken RT yanıtını ayırt edici doğrulukla tahmin edebildiği gösterilmiştir. Bulgularımızın, çok merkezli çalışmaları teşvik etmek ve kişiselleştirilmiş tedavi yaklaşımına ilgiyi artırmak için literatüre önemli bir katkı sunacağı düşünülmektedir.
Özet (Çeviri)
Aim: We aimed to create machine learning-based models by combining the radiomic features obtained from contrast-enhanced T1-weighted magnetic resonance imaging (MRI) before radiotherapy (RT) with clinical data and evaluate the predictive potential of the models to early RT response in non-metastatic nasopharyngeal carcinoma. Materials and Methods: A total of 114 patients who underwent definitive RT / chemoradiotherapy for NFC between January 2013 and December 2020 were evaluated retrospectively. After excluding patients who did not eligible, demographic, clinical and treatment characteristics of the remaining 51 patients were collected. All patients whose diagnosis squamous cell carcinoma was confirmed by biopsy received definitive RT dose (66-70 Gy / 30-35 fractions). The patients were divided into two groups as complete response (n=33) and residual tumor (n=18) according to Response Evaluation Criteria in Solid Tumors 1.1 criteria, utilizing MRI obtained within 6 months after RT. The potential of radiomic and clinical features to predict complete response was investigated with machine learning-based models and evaluated with performance metrics. The data were randomly partitioned as 70% training set and 30% test set. A 10-fold cross-validation method was used for hyperparameter optimization and an independent test set was used for performance evaluation. Results: Seventeen of the 124 radiomic features extracted and 2 of the clinical data were associated with complete response (p0,7) with Pearson correlation analysis, 6 radiomic and 1 clinical feature (hematocrit) were selected for inclusion in the models. The ROC-AUC values of the MLP, RF, SVM, LR and kNN models were 0.989, 0.944, 0.867, 0.867, and 0.733; and the F1 scores were 0.941, 0.875, 0.80, 0.889, and 0.750, respectively. Conclusion: In this study, it has been demonstrated that machine learning models created by combining MRI-based radiomic and clinical features can predict early RT response in NFC with distinctive accuracy. Our findings are considered to provide an important contribution to the literature to encourage multicenter studies and increase interest in personalized medicine.
Benzer Tezler
- Nazofarenks karsinomunda bilgisayarlı tomografi bulgularının değerlendirilmesi
Başlık çevirisi yok
CAHİT ERDEM
- Nazofarenks karsinomunda tedavi başarısızlık özellikleri ve sağkalımı etkileyen faktörler
Başlık çevirisi yok
ŞİİRSEL TAŞ
- Nazofarenks karsinomlarında P53 ekspresyonu
Başlık çevirisi yok
FULYA YAMAN
Tıpta Uzmanlık
Türkçe
1997
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
- Nazofarenks tümörlerinin radyoterapisine bağlı geç komplikasyonların değerlendirilmesi
Evaluation of late toxicity in patients treated with raditherapy for nasopharyngeal carcinoma
YILDIZ KELEŞ KUZEYLİ
Tıpta Uzmanlık
Türkçe
2003
Onkolojiİstanbul ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
PROF.DR. ÖMER UZEL
- Çocukluk çağı nazofarinks karsinomu: 84 vakanın retrospektif analizi
Childhood nasopharyngeal carcinoma: a retrospective analysis of 84 patients
SERHAN KÜPELİ
Tıpta Uzmanlık
Türkçe
2004
Çocuk Sağlığı ve HastalıklarıHacettepe ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ.DR. ALİ VARAN