Solid böbrek kitlelerinde patolojik alt tip tahmini için manyetik rezonans görüntüleme temelli şeffaf hücreli olabilirlik skoru ve radyomik analiz içeren nomogram modeli oluşturulması
A nomogram model for pathologic subtype prediction in solitary kidney masses based on magnetic resonance imaging with clear cell likelihood score and radiomic analysis
- Tez No: 882459
- Danışmanlar: DOÇ. DR. EZGİ GÜLER
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 182
Özet
Amaç: Solid böbrek kitlelerinin ayırıcı tanısı Manyetik Rezonans Görüntüleme (MRG) ile sınırlı olarak yapılabilmektedir. Tanı için genellikle biyopsi ya da cerrahi rezeksiyon gerekmektedir. Şeffaf hücreli renal hücreli karsinomun diğer alt tiplerden ayrımı için önerilen MRG temelli şeffaf hücreli olabilirlik skoru (ccLS) ve radyomik analizi temel alan makine öğrenmesi modellerinin ayırıcı tanıda başarısını araştırmak ve iki yaklaşımın kombinasyonunun sağlayacağı katkıyı göstermek amaçlanmaktadır. Gereç ve Yöntem: Retrospektif, tek merkezli çalışmada Ege Üniversitesi Hastanesi Radyoloji Anabilim Dalı'nda Ocak 2011- Ekim 2023 tarihleri arasında elde olunan üst batın veya tüm batın dinamik kontrastlı multiparametrik MRG görüntülemesinde herhangi bir böbrekte solid (>%25'ten fazla solid komponent içeren) yapıda ve makroskopik yağ içermeyen kitle saptanan ve histopatolojik tanısı bulunan olgularda 2 gözlemci tarafından her lezyon için ccLS hesaplanmıştır. Şeffaf hücreli renal hücreli karsinomun (ccRCC) diğer alt tiplerden ayrımı için gözlemciler arası kappa değeri ve performans metrikleri hesaplanmıştır. Lezyonlar 3D Slicer programı bir kısmı her iki gözlemci tarafından olacak şekilde manuel 3 boyutlu segmente edilmiş, ön işleme adımlarından sonra radyomik öznitelikler çıkarılmıştır. Gözetimsiz ve gözetimli öznitelik seçimi yapılmıştır. 8:2 rastgele eğitim-test grubu ayrışması yapılarak en başarılı modelden radyomik skoru hesaplanmıştır. Tüm grubun 10-katlı 4 tekrarlı çapraz validasyon yöntemiyle internal validasyonu yapılmış ve en başarılı modelin metrikleri kaydedilmiştir. Daha sonra klinik özellikler, kalitatif MRG özellikleri ve radyomik skoru kullanılarak lojistik regresyon modeli kurulmuş, performans metrikleri elde edilmiş ve nomogram görselleştirmesi yapılmıştır. 3 yaklaşım performans metrikleri bakımından karşılaştırılmış, her yaklaşım için kalibrasyon eğrileri çizilmiştir. Bulgular: 97 hastada bulunan 99 lezyondan 48'i ccRCC, 22'si papiller renal hücreli karsinom (pRCC), 10'u kromofob renal hücreli karsinom (chRCC), 6'sı yağdan fakir anjiomyolipom (fpAML), 5'i onkositom ve 8'i diğer nadir alt tipler olarak tanılıdır. Demografik ve klinik özelliklerden yaş, cinsiyet, boyut, lateralite, T evresi ve patolojik materyalin elde ediliş yolu açısından alt tipler arası anlamlı fark bulunmamaktadır. Lezyon volümleri için onkositom ile fpAML ve onkositom ile pRCC arası anlamlı fark bulunmuştur. ccLS için iki gözlemci açısıdna tüm skorlarda Cohen's kappa değeri 0,73; ccLS ≥ 4 için 0,88; ccLS = 1 için 0,89; ccLS ≤ 2 için 0,87'dir. ccLS kullanılarak yapılan ccRCC tanısında iki gözlemci için havuzlanmış F1 skoru 0,84; AUC (Eğri Altında Kalan Alan) değeri 0,83'tür. En başarılı makine öğrenmesi olan T1 ağırlıklı görüntülerden RFE LR ile elde edilen öznitelikleri kullanan SVM modeli için F1 skoru 0,82; AUC değeri 0,89'dur. Kombine model için F1 skoru 0,90; AUC değeri 0,96'dır. Sonuç: ccLS ve radyomik analiz temelli makine öğrenmesi yöntemleri ccRCC'nin diğer alt tiplerden non-invaziv bir şekilde ayrımında rol oynayabilir, iki yaklaşımın kombine edilmesi daha başarılı sonuç vermektedir.
Özet (Çeviri)
Objective: Differential diagnosis of solid renal masses using Magnetic Resonance Imaging (MRI) is limited, often requiring biopsy or surgical resection for confirmation. This study aims to investigate the diagnostic accuracy of MRI-based clear cell likelihood score (ccLS) and radiomics combined with machine learning models in differentiating clear cell renal cell carcinoma from other subtypes, and to demonstrate the potential improvement offered by combining these approaches. Materials and Methods: In this retrospective, single-center study, ccLS was calculated for each lesion in cases with solid renal masses (>25% solid component and without macroscopic fat) detected on dynamic contrast-enhanced multiparametric MRI obtained between January 2011 and October 2023 at Ege University Hospital Department of Radiology. The inter-observer agreement (Cohen's kappa value) and performance metrics were assessed for differentiating clear cell renal cell carcinoma (ccRCC) from other subtypes. Lesions were manually segmented in 3D using 3D Slicer software, followed by preprocessing and radiomic feature extraction. Unsupervised and supervised feature selection was conducted, and the most successful model was determined through an 8:2 random training-test group split, from which a radiomic score was calculated. Internal validation was performed using a 10-fold, 4-repeated cross-validation method, and performance metrics of the most successful model were recorded. Subsequently, a logistic regression model was developed using clinical characteristics, qualitative MRI features, and the radiomic score, with performance metrics obtained and nomogram visualization created. Performance metrics of the three approaches were compared, and calibration curves for each approach were plotted. Results: Among 99 lesions in 97 patients, 48 were diagnosed as ccRCC, 22 as papillary renal cell carcinoma (pRCC), 10 as chromophobe renal cell carcinoma (chRCC), 6 as fat poor angiomyolipoma (fpAML), 5 as oncocytoma, and 8 as other rare subtypes. No significant difference was found in demographic and clinical characteristics such as age, sex, size, laterality, T stage, and method of pathological specimen acquisition among the subtypes. A significant difference was observed in lesion volumes between oncocytoma and fpAML, and oncocytoma and pRCC. The Cohen's kappa value for all scores was 0.73, for ccLS ≥ 4 was 0.88, for ccLS = 1 was 0.89, and for ccLS ≤ 2 was 0.87. The pooled F1 score for ccRCC diagnosis using ccLS was 0.84, with an AUC (Area Under the Curve) of 0.83. The most successful machine learning model, an SVM using features selected by RFE LR from T1-weighted images, had an F1 score of 0.82 and an AUC of 0.89. The combined model had an F1 score of 0.90 and an AUC of 0.96. Conclusion: ccLS and radiomics-based machine learning techniques can play a role in the non-invasive differentiation of ccRCC from other subtypes, with the combination of these two approaches yielding more successful outcomes.
Benzer Tezler
- Böbrek kitlelerinde dinamik renal BT
Dynamıc renal ct ın renal masses
ZEHRA AKKAYA
Tıpta Uzmanlık
Türkçe
2011
Radyoloji ve Nükleer TıpAnkara ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. CEMİL YAĞCI
- Solid böbrek tümörlerinde dinamik BT'nin malign ve benign ayrımındaki yeri ve bulguların patoloji ile korelasyonu
Role of multi-detektor computed tomografy in the differation malign-benign solid neoplastik renal mass: Correlating with histopatholojical finding
LEYLA SEVİM
Tıpta Uzmanlık
Türkçe
2016
Radyoloji ve Nükleer TıpDicle ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. ASLAN BİLİCİ
- Renal kitlelerin karakterizasyonunda ve evrelendirilmesinde dinamik renal bilgisayarlı tomografinin yeri
The efficacy of dynamic renal computed tomography in the characterization and staging of renal masses
GURBET YANARATEŞ
Tıpta Uzmanlık
Türkçe
2017
Radyoloji ve Nükleer TıpMersin ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. FERAMUZ DEMİR APAYDIN
- Fuhrman nükleer derecelendirmesine göre düşük ve yüksek dereceli böbrek hücreli karsinom ayrımında 3 tesla manyetik rezonans difüzyon ağırlıklı görüntüleme ve dinamik kontrastlı mr incelemenin yeri
Başlık çevirisi yok
TUĞÇE AĞIRLAR TRABZONLU
Tıpta Uzmanlık
Türkçe
2017
Radyoloji ve Nükleer TıpKocaeli ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ERCÜMENT ÇİFTÇİ
- Renal kitle lezyonlarının ayırıcı tanısında doku analizinin yeri
The role of tissue analysis in the differential diagnosis of renal mass lesions
ÖMER SEMERCİOĞLU
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpKahramanmaraş Sütçü İmam ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEDA NİDA KARAKÜÇÜK
PROF. DR. MURAT BAYKARA