Makine öğrenimi tabanlı modeller ile prostat kanserinde, prostat biyopsisi sonrası upgrade / upstage durumlarını predikte eden faktörlerin tahmini
Prediction of factors associated with upgrade/upstage status after prostate biopsy in prostate cancer based on machine learning models
- Tez No: 899016
- Danışmanlar: PROF. DR. ALPER ÖZORAK
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Prostat kanseri(PK), erkek sağlığını etkileyen önemli bir hastalıktır. Erkeklerde en sık görülen ikinci kanserdir. PK'de tanıdan tedavi aşamasına geçmek için doğru bir risk sınıflaması önemlidir. Risk sınıflamasını yapabilmek için önemli parametreler mevcuttur. Bu parametreler; hastanın klinik özellikleri, yaşı, serum prostat spesifik antijen(PSA) değeri, prostat spesifik antijen dansitesi(PSAD), serbest ve total PSA oranı(S/T PSA), manyetik rezonans görüntüleme(MRG) ve prostat biyopsisi(PB) patolojisi'dir. Literatür incelendiğinde PB' ne ait ISUP derecesi ve MRG'deki T evresi ile nihai RP patolojisi sonuçları arasında ciddi uyumsuzluklar olduğu görülmüştür. Bu uyumsuzluklar tanı anında hastalara doğru risk sınıflamasının yapılamadığını göstermektedir. Çalışmamızda, kliniğimizde RP olan hastaların bilgileri retrospektif olarak değerlendirilmiştir. Hastaların yaş, S/T PSA, PSAD, MRG'de T evresi, PB'de ISUP derecesi, pozitif kor sayısı, klinik anlamlı pozitif kor sayısı, HGPIN varlığı, ASAP varlığı, PNİ varlığı, kribriform patern varlığı, intraduktal morfoloji varlığı bilgileri taranmıştır. Bu özellikler ile makine öğrenimi (MÖ) tabanlı modeller geliştirilmesi ve upgrade, upstage durumlarını predikte eden faktörlerin tahmin edilmesi amaçlanmıştır. Çalışmamızda upgrade ve upstage için MÖ tabanlı 14 model uygulanmıştır. Upgrade prediksiyonu performansı en yüksek model Random Forest Classifier olmuştur. AUC: 0,7 accuracy (doğruluk):0,78 recall (duyarlılık): 0,43 precision: 0,62 F1 skoru: 0,48 sonuçlarına ulaşılmıştır. Literatürdeki çalışmalara yakın sonuçlar elde edilmiştir. Upstage prediksiyonu için uygulanan modeller arasında en başarılı modelin Logistic Regression (LR) olduğu görülmüştür. LR modelinde AUC: 0,79 accuracy: 0,73 recall:0,7 precision: 0,71 F1 skoru: 0,71 olarak bulunmuştur ve model yüksek performans göstermiştir. Literatürde upstage prediksiyonu için çok az sayıda çalışma olduğu görülmüştür. Bu çalışmalar içinde PB'ne ait advers patoloji, HGPİN, ASAP, PNİ gibi önemli özelliklerin parametreler arasında olmaması modelimizi literatürdeki çalışmalardan farklı kılmaktadır. Modelimizin başarısı bu parametreleri de içeriyor olmasından kaynaklanabilir. Sonuç olarak upgrade ve upstage durumlarını predikte edebilmek amacıyla bir model geliştirdik. Bu sayede hastalar için daha doğru bir risk sınıflaması yapabilmeyi ve uygun tedavi planlaması yapılacağını düşünmekteyiz.
Özet (Çeviri)
Prostate cancer (PC) is a significant disease affecting men's health and is the second most common cancer in men. Accurate risk classification is crucial for transitioning from diagnosis to treatment in PC. There are important parameters available for performing risk classification, including the patient's clinical characteristics, age, serum prostate-specific antigen (PSA) levels, prostate-specific antigen density (PSAD), free to total PSA ratio (F/T PSA), magnetic resonance imaging (MRI), and pathology results from prostate biopsy (PB). A review of the literature reveals significant discrepancies between the ISUP grades for PB and the T stages in MRI compared to the final pathology results from radical prostatectomy (RP). These discrepancies indicate that accurate risk classification for patients cannot be performed at the time of diagnosis. In this study, we retrospectively evaluated the data from patients who underwent RP at our clinic. We examined the following information: age of the patients, S/T PSA, PSAD, T stage in MRI, ISUP grade in PB, number of positive cores and clinically significant positive cores, presence of HGPIN, ASAP, perineural invasion, cribriform pattern, and existence of intraductal morphology. The aim was to develop machine learning (ML) based models using these features to predict the factors associated with upgrade and upstage statuses. In our study, fourteen ML-based models were applied for predicting upgrade and upstage. The model with the highest performance for upgrade prediction was the Random Forest Classifier, which achieved AUC: 0.7, accuracy: 0.78, recall: 0.43, precision: 0.62, and an F1 score of 0.48. These results are comparable to those obtained in the existing literature. Among the models applied for upstage prediction, the Logistic Regression (LR) model was found to be the most successful. The LR model yielded results of AUC: 0.79, accuracy: 0.73, recall: 0.7, precision: 0.71, and an F1 score of 0.71, demonstrating high performance. There are very few studies in the literature focused on upstage prediction. The absence of significant features such as adverse pathology for PB, HGPIN, ASAP, and perineural invasion among the parameters in those studies distinguishes our model. The success of our model may be attributed to the inclusion of these parameters. In conclusion, we developed a model for predicting upgrade and upstage statuses. We believe that this will enable more accurate risk stratification for patients and facilitate appropriate treatment planning.
Benzer Tezler
- 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
EMRE TEMİZER
Tıpta Uzmanlık
Türkçe
2024
OnkolojiErciyes ÜniversitesiNükleer Tıp Ana Bilim Dalı
DOÇ. DR. ÜMMÜHAN ABDÜLREZZAK
- Destek vektör makineleri ve çok katmanlı algılayıcı ağı ile prostat kanseri ön teşhisi
Prostate cancer pre-diagnosis with support vector machines and multilayer perception network
ÖZGE DEMİR
Yüksek Lisans
Türkçe
2022
İstatistikEskişehir Osmangazi Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. FATİH ÇEMREK
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Comperative evaluation of unsupervised fraud detection algorithms with feature extraction and scaling in purchasing domain
Satın alma alanında özellik çıkarma ve ölçekleme ile denetimsiz sahtekarlık tespit algoritmalarının karşılaştırmalı değerlendirmesi
YİĞİT CAN TAŞOĞLU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Automatic semantic segmentation of organs-at-risk and target tumor volume in radiotherapy planning CT images of nasopharyngeal cancer
Nazofarengeal kanser radyoterapi planlama BT görüntülerinde risk altındaki organların ve hedef tümör hacminin otomatik semantik segmentasyonu
MURAT YÜCE
Yüksek Lisans
İngilizce
2024
BiyomühendislikAcıbadem Mehmet Ali Aydınlar ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. SEDA NİLGÜN DUMLU
DOÇ. DR. SİNEM BURCU ERDOĞAN