Deep learning integration of diverse data types for survival prediction in serous ovarian cancer
Farklı veri tiplerini birleştiren derin öğrenme ile seröz yumurtalık kanserinde sağkalım tahmini
- Tez No: 857181
- Danışmanlar: DOÇ. DR. MEHMET TURAN, PROF. DR. ALBERT GÜVENİŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Patoloji, Computer Engineering and Computer Science and Control, Bioengineering, Pathology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 123
Özet
Yüksek mortalite oranları ve tedaviye dirençli olması ile bilinen yumurtalık kanserinde, kişiselleştirilmiş tedaviler için hayatta kalma tahminleri önemlidir. Bu araştırmada, histopatoloji görüntüleri ile klinik ve genetik verileri (mutasyonlar, kopya sayısı varyasyonları, mRNA sekanslaması, DNA metilasyonu ve protein ekspresyonu) birleştirerek seröz yumurtalık kanserinde hayatta kalma süresini tahmin eden yeni bir derin öğrenme modeli olan OViTANet geliştirilmiştir. Model oluşturma ve test etmede Amerika'nın kanser arşivi'nden alınan veriler, model içindeki görüntü özellik çıkarıcılarının etkinliğini değerlendirmek üzere Başkent Üniversitesi Hastanesi'nden toplanan doğrulama seti kullanılmıştır. OViTANet'in performansı, her genetik verinin her hastada bulunmaması sebebiyle değişen örneklem sayılarını göz önüne alarak, farklı veri kategorilerinde değerlendirilmiştir. Literatürdeki başka bir çoklu-modalite füzyonu yapan derin öğrenme temelli sağkalım modeli ile karşılaştırıldığında, OViTANet, genel hayatta kalma tahminlerinde konkordans indeksi 0.5991 ± 0.0369 ile 0.6902 ± 0.0499 arasında değişmek üzere tüm veri kategorilerinde üstün performans göstermiştir. Modelin hastalıksız hayatta kalma tahmini performansı daha düşük olsa da –uyum indeksleri 0.5385 ± 0.052 ile 0.5989 ± 0.0284 arasında değişmektedir– karşılaştırmalı modele göre çoğu veri kategorisinde daha iyi performansa sahip olduğu görülmüştür. Bu çalışma, sadece hayatta kalma tahminini farklı veri tiplerinin birleştirerek geliştirmekle kalmayıp, aynı zamanda seröz yumurtalık kanserinin genetik özelliklerini anlama konusunda da katkıda bulunmuş, böylece kişiselleştirilmiş tedaviler geliştirilmesine yardımcı olmayı ve hasta sonuçlarını iyileştirmeyi hedeflemiştir.
Özet (Çeviri)
Ovarian cancer, known for its high mortality and treatment resistance, demands precise survival predictions for personalized treatments. This research develops the Ovarian Cancer Vision Transformer Aggregated Network (OViTANet), a novel deep learning model that forecasts survival in serous ovarian cancer by combining histopathology images with clinical and genetic data, such as mutations, copy-number variations, mRNA-sequencing, DNA methylation, and protein expressions. Using data from the Cancer Genome Archive, OViTANet was developed and rigorously tested. Moreover an external validation set procured from Başkent University Hospital was used to evaluate the effectiveness of the image feature extractors in the model. The performance of OViTANet was meticulously categorized based on the data categories, each reflecting varying sample sizes due to the disparate availability of genetic data. When compared to an existing multi-modal network in the literature, OViTANet outperforms across all data categories for predicting overall survival, with concordance indices ranging from 0.5991 ± 0.0369 to 0.6902 ± 0.0499. Although the model's efficacy slightly diminished for disease-free survival prediction–with concordance indices spanning 0.5385 ± 0.052 to 0.5989 ± 0.0284–it still performed better than the comparative model across most data categories. This work not only enhances survival prediction through data integration but also contributes to understanding serous ovarian cancer's genetic traits, marking a significant advancement in oncological analysis and leading to more effective, personalized treatments to improve patient outcomes.
Benzer Tezler
- A roadmap for breast cancer microwave hyperthermia treatment planning and experimental systems
Meme kanseri mikrodalga hipertermisinde tedavi planlama ve deneysel sistemler için bir yol haritası
MELTEM DUYGU ŞAFAK
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞAH YILDIZ ALTINTAŞ
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Earthquake damage detection with satellite imagery and deep learning approaches: A case study of the february 2023, Kahramanmaraş, Turkey earthquake sequence
Uydu görüntüleri ve derin öğrenme yaklaşımları ile hasar tespiti: 2023 şubat Kahramanmaraş, Türkiye deprem dizisinden bir vaka çalışması
FATMA ELİK
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti
Anomaly detection in industrial machines using explainable ai and acoustic signals
BETÜL SENA ÇAĞLAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN