Geri Dön

Diffüz büyük B hücreli lenfoma tanılı hastaların hücre kökenine göre (hans algoritmasına göre) radiomics yöntemi ile değerlendirilmesi ve prognostik öneminin araştırılması

Evaluation of patients diagnosed with diffuse large B cell lymphoma according to cell origin (by hans algorithm) using the radiomics method and investigation of the prognostic importance

  1. Tez No: 865937
  2. Yazar: MERVE ÖZÇELİK
  3. Danışmanlar: PROF. DR. ÖZGÜR MEHTAP
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Hematoloji, Hematology
  6. Anahtar Kelimeler: Diffüz Büyük B Hücreli Lenfoma, Germinal merkez B hücre benzeri (GMBH), Aktive edilmiş B hücre benzeri (ABH), Radyomiks, Diffuse Large B Cell Lymphoma, Germinal center B cell-like (GCB), Activated B cell-like (ABC), Radiomics
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: İç Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Hematoloji Bilim Dalı
  13. Sayfa Sayısı: 66

Özet

Giriş ve Amaç: Diffüz Büyük B Hücreli Lenfoma (DBBHL), köken hücresine göre (Hans algoritmasına göre) germinal merkez (GM) B hücre benzeri ve germinal merkez dışı (GMD) B hücre benzeri olmak üzere iki alt tipe ayrılır. Bu ayrım DBBHL' de prognoz tayininde kullanılmaktadır ve GM alt tipi olan hastalar GMD alt tipi olan hastalardan daha iyi prognoza sahiptir. Bu çalışmada GM/GMD ayrımını öngörmede tanı anında çekilmiş kontrastlı BT görüntülerinden yapılan radyomiks ve makine öğrenmenin katkısını araştırmayı amaçladık. Gereç ve Yöntem: Çalışmamızda, Diffüz Büyük B hücreli Lenfoma tanılı, tanı anında çekilmiş kontrastlı BT görüntüleri hastanemiz PACS arşivinde mevcut olan ve hastanemiz patoloji arşivinden patoloji preparatlarına ulaşılabilen hastalar restrospektif olarak incelendi. Hastaların parafin blok halindeki lenf nodu biyopsi kesitlerine CD 10, BCL 6, MUM 1 antikorları ile immünohistokimyasal boyama yapıldı. Patoloji kesitlerine bakılarak Hans algoritmasına göre GMBH/ABH ayrımı yapıldı. Patoloji kesitlerine göre sınıflandırması yapılabilmiş, tanı anında çekilen kontrastlı BT görüntüleri segmentasyona elverişli olan 101 hasta çalışmaya dahil edildi. BT görüntülerden radyoloji uzmanı tarafından manuel segmentasyon yapıldı. Segmente edilen görüntülerden PyRadiomics yazılımı (sürüm, 3.1.0.) ile 108 tane radyomiks veri elde edildi. Radyomiks özniteliklerinin ve patoloji sonucuna göre GM/GMD ayrımının yer aldığı bir veri seti hazırlandı. Sonra veri setine yaş, cinsiyet, Ann-Arbor evre eklendi. Lasso regresyon ile feature selection yapılarak 11 radyomiks öznitelik seçildi. Daha sonra çeşitli makine öğrenmesi modelleri uygulanarak GM ve GMD ayrımını yapmadaki etkinlikleri kıyaslandı. Bulgular: En iyi performans, Lasso regresyonu özellik seçimi ve Çok Katmanlı Algılayıcı (MLP) ile oluşturulan modelden elde edilmiş olup AUC değeri, yani modelin sınıfları ayırt etme yeteneği 0,74' tür. Kesinlik 0,66, doğruluk 0,66, duyarlılık 0,63, F1 Skoru 0,64 ve MCC değeri 0,26 bulunmuştur. Sonuç: DBBHL histopatolojik alt tiplerinin tahmininde non-invaziv değerlendirme imkanı sunan ve kontrastlı BT görüntülerinden elde edilebilen radyomiks veriler daha çok çalışma ile desteklenerek standardize edilir ise rutin klinik uygulamalarda kullanılabilir. Bizim çalışmamızda ise Lasso regresyonu-MLP modeli GM ve GMD alt tiplerini ayırt etmede iyi ancak duyarlılık ve kesinliği düşük olduğu için aynı doku içerisinde moleküler düzeyde alt tip tayini yapılmasının zor olduğu kanaatindeyiz.

Özet (Çeviri)

Introduction and Purpose: Diffuse Large B Cell Lymphoma (DLBCL) is divided into two subtypes according to the cell of origin (according to the Hans algorithm): germinal center B cell-like (GCB) and non-germinal center B cell-like (non-GC). This distinction is used for prognosis in DLBCL and patients with GCB subtype have a better prognosis than patients with non-GCB subtype. In this study, we aimed to investigate the contribution of radiomics and machine learning from contrast-enhanced CT images taken at the time of diagnosis in predicting the GCB/non-GCB distinction. Materials and Methods: In our study, patients diagnosed with Diffuse Large B-Cell Lymphoma (DLBCL), whose contrast-enhanced CT images were available in our hospital's PACS archive and whose pathology slides were accessible in our hospital's pathology archive, were retrospectively reviewed. Immunohistochemical staining with CD 10, BCL 6, and MUM 1 antibodies was performed on paraffin-embedded lymph node biopsy sections of the patients. The GCB/non-GCB differentiation according to the Hans algorithm was determined by examining the pathology slides. A total of 101 patients whose contrast-enhanced CT images taken at the time of diagnosis were suitable for segmentation based on pathology slides were included in the study. Manual segmentation was performed from the CT images by a radiologist. From the segmented images, 108 radiomics features were obtained using PyRadiomics software (version 3.1.0). We initially compared machine learning methods using all radiomics features.. Then, added age, gender and Ann Arbor stage to the dataset. Eleven radiomics features were selected by feature selection with Lasso regression. Subsequently, various machine learning models were applied to compare their effectiveness in distinguishing between GCB and non-GCB subtypes. Findings: The best performance was achieved by the model created using Lasso regression feature selection and Multi-Layer Perceptron (MLP), with an AUC value of , the ability of the model to distinguish classes 0.74. The precision was 0.66, accuracy 0.66, sensitivity 0.63, F1 Score 0.64 and MCC 0.26. Conclusion: Radiomics data, which offer non-invasive evaluation for the prediction of histopathological subtypes of DLBCL and can be obtained from contrast-enhanced CT images, can be used in routine clinical applications if they are standardized and supported by more studies. In our study, the Lasso regression-MLP model was good in distinguishing GM and GMD subtypes, but its sensitivity and accuracy were low, and we believe that it is difficult to make subtype determination at the molecular level in the same tissue.

Benzer Tezler

  1. Diffüz büyük B hücreli lenfoma tanılı hastalarda nestin ve osteopontin pozitifliğinin prognoza etkisi

    The effect of nestin and osteopontin positiveness on prognosis in patients diagnosed with diffusing large B cell lymphoma

    BURCU NUR ÖZDAMAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    HematolojiSivas Cumhuriyet Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. MEHMET ŞENCAN

    DR. NEŞE YELDİR

  2. Diffüz büyük b hücreli lenfoma vakalarında trombospondin-1,VEGF,PDGFR- β'nın prognostik önemi

    The prognostic significance of thrombospondin-1, VEGFR, PDGFR β in diffuse large B cell lymphoma cases

    ADNAN BATMAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    HematolojiKocaeli Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    YRD. DOÇ. ELİF BİRTAŞ ATEŞOĞLU

  3. Diffüz büyük b hücreli lenfomalı hastalarda EBV pozitifliğinin prognoza etkisi

    EBV positivity in diffuse large b-cell lymphomatic diseasesprognosis effect

    ANIL UÇAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    HematolojiSağlık Bilimleri Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. MUZAFFER KEKLİK

  4. Diffüz büyük B hücreli lenfoma vakalarında immunhistokimyasal biomarkerların prognostik önemi

    The prognostic importance of immunohistochemical biomarkers in diffuse large B cell lymphoma cases

    SERDAL KORKMAZ

    Tıpta Yan Dal Uzmanlık

    Türkçe

    Türkçe

    2013

    HematolojiCumhuriyet Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. MEHMET ŞENCAN

  5. Diffüz büyük b hücreli lenfoma alt tiplerinde COX-2, survivin, Ki-67, BCL-2, CD3 ekspresyonu ve prognoz üzerine etkileri

    Expression of COX-2, survivin, Ki-67, BCL-2, CD3 in diffuse large B-cell lymphoma subtypes and their effects on prognosis

    ÜLKÜ KÜÇÜK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2007

    PatolojiDokuz Eylül Üniversitesi

    Patoloji Ana Bilim Dalı

    PROF.DR. AYDANUR KARGI