Mide kanserinde yapay zekâ yaklaşımı ile sağkalım analizi
Survival analysis with artificial intelligence approach in gastric cancer
- Tez No: 841996
- Danışmanlar: DR. ÖĞR. ÜYESİ BURÇİN KURT
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 120
Özet
Mide kanseri dünya genelinde yüksek insidans ve mortalite oranlarına sahip kötü prognozlu bir kanser türüdür. Hastaların tedavi ve takip programı planlamaları, hastalığın prognoz öngörüsü üzerine kuruludur. Bu öngörü uzun yıllardır Cox regresyon analizinin kullanıldığı nedensel modelleme ile sağlanmaktadır. Sunulan tez çalışmasında, bag tree, boost tree, parametrik model, Cox proportional hazard (PH) modeli ve random forest gibi geleneksel makine öğrenmesi algoritmaları ile CoxTime, DeepHit ve DeepSurv gibi derin öğrenme algoritmaları kullanılarak tahminsel modeller geliştirilmiştir. Modellerin geliştirilmesinde Karadeniz Teknik Üniversitesi'nde (KTÜ) mide kanseri nedeniyle ameliyat edilmiş hastaların verileri kullanılmıştır. Modellerin değerlendirilmesinde ise KTÜ ve Güney Kore Yonsei Üniversitesi'nden elde edilmiş farklı veri setleri kullanılmıştır. Elde edilen modellerin performansı C-indeks ve entegre Brier skoru (iBS) ile değerlendirilmiştir. Yapılan analizlere göre KTÜ test veri setinde, tidymodels'in PH modeli en iyi performansı gösterirken, parametrik modeller ve DeepHit modeli de başarılı sonuçlar göstermiştir (en yüksek C-indeks: 0.732, en düşük iBS: 0.151). Yonsei test veri setinde ise parametrik ve PH modelleri en iyi sonuçları sunarken, derin öğrenme yöntemleri diğer makine öğrenmesi yöntemlerine kıyasla daha düşük kalibrasyon göstermiştir (en yüksek C-indeks: 0.840, en düşük iBS: 0.040). Bununla birlikte, özellik seçimi ile elde edilen dört değişkenle yapılan analizlerde, KTÜ test setinde parametrik modelin diğer modellere kıyasla daha iyi sonuçlar verdiği (en yüksek C-indeks: 0.711, en düşük iBS: 0.180), Yonsei test setinde ise parametrik modele ilave olarak CoxTime ve DeepSurv modellerinin iyi bir performans sergilediği (en yüksek C-indeks: 0.838, en düşük iBS: 0.043) görülmüştür. Çalışmanın sonucunda, yapay zekâ yaklaşımı ile geliştirilen modellerin mide kanseri sağkalım süresi ve ihtimalinin tahmini için klinik kullanıma uygun ayırt edici güce ve kalibrasyon performansına sahip olduğu görülmüş, farklı hasta gruplarına ait dış geçerlilik veri setlerinde de geçerliliği doğrulanmıştır.
Özet (Çeviri)
Gastric cancer, characterized by high global incidence and mortality rates, represents a malignancy with unfavorable prognosis. Treatment planning and follow-up strategies for patients are predicated on prognostic forecasting. Historically, such forecasting has relied on causal modeling analyses utilizing Cox regression. In the presented dissertation, predictive modeling was conducted using traditional machine learning algorithms such as bag tree, boost tree, parametric models, Cox proportional hazard (PH) modeling, random forest and deep learning algorithms such as CoxTime, DeepHit, and DeepSurv. Data from surgically treated gastric cancer patients at Karadeniz Technical University (KTU) were utilized in developing these models. For model evaluation, different datasets from KTU and South Korea's Yonsei University were employed. The performance of the models were evaluated using the C-index and integrated Brier score (iBS). According to the conducted analyses, in the KTU test dataset, tidymodels' PH model demonstrated the best performance, while parametric models and the DeepHit model also yielded successful outcomes (highest C-index: 0.732, lowest iBS: 0.151). In the Yonsei test dataset, parametric and PH models presented the best results, whereas deep learning algorithms exhibited lower calibration compared to other machine learning approaches (highest C-index: 0.840, lowest iBS: 0.040). In analyses using the four selected variables, the parametric model outperformed other models in the KTU test set (highest C-index: 0.711, lowest iBS: 0.180), while in the Yonsei test set, in addition to the parametric model, the CoxTime and DeepSurv models showed strong performance (highest C-index: 0.838, lowest iBS: 0.043). The study concludes that models developed using artificial intelligence approach demonstrate clinical utility with discriminative power and calibration performance for predicting gastric cancer survival time and probability, and their validity has been confirmed across external validation datasets from distinct patient populations.
Benzer Tezler
- Mide kanser hastalarında EGFR ekspresyonu ve K-ras mutasyonlarının prognostik ve prediktif önemi
Prognostic and predictive importance of EGFR expression and K-ras mutations in gastric cancer
SEHER ŞULE YILDIRIM
Yüksek Lisans
Türkçe
2010
Genetikİstanbul Bilim ÜniversitesiTıbbi Biyoloji ve Genetik Ana Bilim Dalı
PROF. DR. TUNCAY ALTUĞ
- The effect of nNav1.5 gene expression on breast cancer metastasis
nNav1.5 gen anlatımının meme kanseri metastazı üzerindeki etkisi
REZAN FAHRİOĞLU YAMACI
Doktora
İngilizce
2006
BiyolojiBoğaziçi ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DOÇ. DR. ESRA BATTALOĞLU
- Mide kanserinin makine öğrenme teknikleri ile analizi
Analysis of gastric cancer with machine learning techniques
MELİKE ESMERAY
Yüksek Lisans
Türkçe
2020
BiyoteknolojiFırat ÜniversitesiBiyoteknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEVCAN AYTAÇ KORKMAZ
- DCNA: A tool for differential co-expression network analysis of gene expression data
DCNA: Gen ifade verileriyle ko-ekspresyon analizi yapan ağ tabanlı uygulama
TALİP YASİR DEMİRTAŞ
Yüksek Lisans
İngilizce
2021
BiyomühendislikAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiBiyomühendislik Ana Bilim Dalı
DOÇ. DR. ESRA GÖV
- Makine öğrenmesi özellik seçimi (anova-boruta) ve sınıflandırma yaklaşımlarıyla pan-kanserde potansiyel mikroRNA biyobelirteçlerinin belirlenmesi
Identification of potential microRNA biomarkers in pan-cancer using machine learning feature selection and classification approaches
MELİKE KILIÇ