Geri Dön

Lutesyum-177 prostat spesifik membran antijeni ile tedavi edilen metastatik kastrasyona dirençli prostat kanserli hastalarda tedavi öncesi yapılan galyum-68 prostat spesifik membran antijeni pozitron emisyon tomografisi/bilgisayarlı tomografisinin radyomiks analizinin tedavi yanıtını ve prognozu öngörme gücü

Predictive power of radiomics analysis of pretreatment ga-68 PSMA pet/ct in patients with metastatic castration-resistant prostate cancer treated with lu-177 PSMA for treatment response and prognosis

PDF İndir

  1. Tez No: 862864
  2. Yazar: EMRE TEMİZER
  3. Danışmanlar: DOÇ. DR. ÜMMÜHAN ABDÜLREZZAK
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Onkoloji, Radyoloji ve Nükleer Tıp, Oncology, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Makine öğrenimi, PET/BT, prostat kanseri, prostat spesifik membran antijeni, radyomiks, texture analizi, yapay zeka, Machine learning, PET/CT, prostate cancer, prostate specific membrane antigen, radiomics, texture analysis, artificial intelligence
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 84

Özet

Amaç: Metastatik kastrasyona dirençli prostat kanserli (MKDPK) hastalarda Lutesyum-177 (Lu-177) prostat spesifik membran antijen (PSMA) radyoligand terapi (RLT) öncesi yapılan Galyum-68 (Ga-68) PSMA pozitron emisyon tomografi/bilsisayarlı tomografi (PET/BT) görüntülemeden elde olunan radyomiks özellikler ve klinikopatolojik parametreler kullanılarak yapılan makine öğrenim yöntemlerinin tedavi cevabını öngörü gücünü tespit etmek ve“overall survival”; genel sağkalım (OS) ile ilişkili faktörleri araştırmak. Gereç ve yöntem: Çalışmaya en az iki seans Lu-177 PSMA tedavisi uygulanan ve tedavi öncesi Ga-68 PSMA PET/BT tetkiki yapılan 63 MKDPK'li hasta dahil edildi. Hastaların her birinin üç farklı metastatik kemik lezyonundan (toplam 189 lezyon) volümetrik ilgi alanı belirlendi ve her bir ilgi alanından 129 radyomiks özellik elde olundu. Ortalama radyomiks özellikler ve klinikopatolojik veriler dahil edilerek yapılan tedavi yanıt tahmininde;“support vector machines”; destek vektör makineleri (SVM),“naive bayes”(NB) ve“random forest”; rastgele orman (RF) olmak üzere üç farklı makine öğrenim yöntemi kullanıldı. Makine öğrenim yöntemlerinin tedavi yanıtını öngörme gücü, hastaların tedavi öncesi ve sonrası prostat spesifik antijen (PSA) düzeylerindeki değişim referans alınarak değerlendirildi. Kaplan-Meier analizi ve log-rank testi ile OS ve RLT'ye cevaplı-cevapsız gruplar arasında OS açısından istatistiksel olarak anlamlı fark olup olmadığına bakıldı. OS ile ilişkili faktörleri belirlemek için cox regresyon analizleri kullanıldı. Bulgular: Hastaların yaş ortalaması 67,27±7,47 (47-85) idi. MKDPK'li 63 hastanın 32'si tedaviye cevaplı grupta (%50,8) iken 31'i (%49,2) cevapsız grupta idi. Tedavi yanıt tahmininde makine öğrenim modellerinde dokuz radyomiks özellik ve altı klinikopatolojik değişken rol aldı. Tedavi yanıt tahmininde, özellik seçimi olarak“recursive feature elimination”; geriye dönük değişken eleme (RFE) kullanıldığında NB modeli ile“select by filter”; filtre tabanlı seçim (SBF) kullanıldığında RF ve NB modelleri ile %86,7'lik en yüksek doğru sınıflama oranları elde edildi. Tüm hasta grubu için Kaplan-Meier analizi ile ortanca OS süresi 17±1,59 (%95 CI: 13,86-20,13) ay olarak tespit edilirken RLT'ye cevaplı grupta ortanca OS 21±3,27 (%95 CI: 14,58-27,41) ay, cevapsız grupta ise 14±3,07 (%95 CI: 7,97-20,02) ay olarak tespit edildi. Cox regresyon analizleri sonucunda tedavi öncesi ölçülen hemoglobin düzeyinin mortalite ile ters ilişkili olduğu belirlendi. Sonuç: MKDPK'li hastalarda Lu-177 PSMA tedavisi öncesi yapılan Ga-68 PSMA PET/BT görüntülemelerinden elde edilen radyomiks analiz özelliklerine ve klinikopatolojik verilere dayanan makine öğrenim yöntemlerinin, tedavi yanıtını tahmin edebildiği gösterilmiştir. Bu çalışma, RLT uygulanması planlanan prostat kanserli hastaların tedavi öncesinde, tedavi cevabını öngören makine öğrenim modelleri ile değerlendirilerek tedavi programına alınmalarının, daha maliyet etkin ve hastaları yorucu ve zaman alıcı bir tedavi sürecine dahil etmemek bakımından katkı sağlayabileceğini göstermektedir.

Özet (Çeviri)

Aim: To determine the predictive power of machine learning methods using radiomics features and clinicopathological parameters obtained from Gallium-68 (Ga-68) PSMA positron emission tomography/computed tomography (PET/CT) imaging performed before Lutetium-177 (Lu-177) prostate specific membrane antigen (PSMA) radioligand theraphy (RLT) in patients metastatic castration resistant prostate cancer (MCRPC) and to investigate factors associated with overall survival (OS). Materials and methods: The study included 63 patients with MCRPC who received at least two sessions of Lu-177 PSMA treatment and underwent Ga-68 PSMA PET/CT examination before treatment. Volumetric regions of interest were determined from three different metastatic bone lesions (189 lesions in total) and 129 radiomics features were obtained from each region of interest. Three different machine learning methods including support vector machines (SVM), naive bayes (NB) and random forest (RF) were used for treatment response prediction including mean radiomics features and clinicopathological data. The predictive power of machine learning methods for treatment response was evaluated with reference to the change in prostate specific antigen (PSA) levels before and after treatment. Kaplan-Meier analysis and log-rank test were used to determine whether there was a statistically significant difference in OS between the RLT-responsive and non-responsive groups. Cox regression analyses were used to determine the factors associated with OS. Results: The mean age of the patients was 67.27±7.47 years (47-85). Of the 63 patients with MCRPC, 32 were in the treatment-responsive group (%50.8) and 31 (%49.2) were in the non-responsive group. Machine learning models included 9 radiomics features and 6 clinicopathological variables in the prediction of treatment response. In treatment response prediction, the highest correct classification rates of 86.7% were obtained with the NB model when recursive feature elimination (RFE) was used as feature selection and with RF and NB models when select by filter (SBF) was used. For the whole patient group, the median OS was 17±1.59 (95% CI: 13.86-20.13) months by Kaplan-Meier analysis, while the median OS was 21±3.27 (95% CI: 14.58-27.41) months in the RLT-responsive group and 14±3.07 (95% CI: 7.97-20.02) months in the non-responsive group. Cox regression analyses revealed that haemoglobin level measured before treatment was inversely associated with mortality. Conclusion: Machine learning methods based on radiomix analysis features and clinicopathological data obtained from Ga-68 PSMA PET/CT imaging performed before Lu-177 PSMA treatment in patients with MCRPC have been shown to predict treatment response. This study shows that evaluating patients with prostate cancer who are planned to undergo RLT with machine learning models predicting treatment response before treatment and enrolling them in the treatment programme can be more cost-effective, as well as contributing to not involving patients in a tiring and time-consuming treatment process.

Benzer Tezler

  1. Tez No

    884001

    Kastrasyona dirençli prostat kanseri hastalarında lutesyum 177 prostat spesifik membranantijeni tedavisinin böbrek üzerine etkisi

    The effect of lutetium 177 treatment on the kidneys in castration-resistant prostate cancer patients

    MERVE YALÇINKAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    NefrolojiSağlık Bilimleri Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. MUSTAFA DEMİR

  2. Tez No

    870698

    Kastrasyona dirençli metastatik prostat kanserinde GA-68 PSMA PET/BT tekstür özelliklerinin LU-177 PSMA tedavisi uygulanan hastalarda tedavi yanıtı ve sağkalım ile ilişkisinin araştırılması

    The relation of GA-68 PSMA PET/CT radiomics features with treatment response and overall survival in metastatic castration-resistant prostate cancer patients undergoing LU-177 PSMA radioligand therapy

    MERVE ATALAY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. BERNA TEKİN

  3. Tez No

    888816

    Lu-177 PSMA tedavisi alan prostat kanseri hastalarında tedavi öncesi PET/BT metabolik parametrelerinin değeri

    Value of pre-treatment PET/CT metabolic parameters in prostate cancer patients receiving Lu-177 PSMA treatment

    ŞEYMA GİZEM ORUN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpTrakya Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. FUNDA ÜSTÜN

  4. Tez No

    845166

    Metastatik kastrasyon dirençli prostat kanserli hastalarda Ga-68 PSMA PET/BT ile Lu-177 PSMA SPECT/BT'de hesaplanan lezyon temelli SUV parametrelerinin korelasyonu

    Correlation of lesion-based SUV parameters calculated in Ga-68 PSMA PET/CT and Lu-177 PSMA SPECT/CT in patients with metastatic castration-resistant prostate cancer

    BERKAY ÇAĞDAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. NİLÜFER YILDIRIM

  5. Tez No

    618107

    Patient-specific internal dosimetry with quantitative SPECT/CT in lutetium-177 PSMA treatment

    Lutesyum-177 PSMA tedavisinde kantitatif SPECT/CT ile hastaya özgü dozimetri

    GÜLÇİN ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Fizik ve Fizik MühendisliğiYeditepe Üniversitesi

    Sağlık Fiziği Ana Bilim Dalı

    PROF. DR. ŞERİFE İPEK KARAASLAN

    DR. TÜRKAY TOKLU

Geri Dön