Akciğer kanseri tanısı ile radyoterapi uygulanan hastalarda radyasyon pnömonitinin radyomiks, dozyomiks ve makine öğrenmesi kullanılarak değerlendirilmesi
Evaluation of radiation pneumonitis in lung cancer patients undergoing radiotherapy using radiomics, dosiomics and machine learning
- Tez No: 908150
- Danışmanlar: DR. ÖĞR. ÜYESİ ŞULE KARAMAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyasyon Onkolojisi, Radiation Oncology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyasyon Onkolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Amaçlar Akciğer kanseri tedavisinde radyoterapiye sekonder gelişen radyasyon pnömonisi (RP), akciğer fonksiyonlarını ve hastaların hayatını olumsuz etkilemektedir. Radyasyon pnömonisi risk faktörlerini belirlemek üzerine yapılan çalışmalar daha çok klinik verilere dayanmaktadır; ancak son yıllarda radyomiks ve dozyomiks çalışmaları artmaktadır. Bu çalışmada klinik, radyomiks, dozyomiks ve doz-volüm histogramı (DVH) verilerini beraber değerlendirmek, makine öğrenmesiyle radyasyon pnömonisini öngörmede etkili modeller geliştirmek hedeflenmiştir. Böylece riskli hasta grupları belirlenebilecek, hastaya özel tedavi planlaması yapılabilecektir. Materyal-Metod Çalışmada histopatolojik doğrulanmış akciğer kanseri tanısı ile 2015-2024 yılları arasında kurumumuzda radyoterapi alan hastalar değerlendirilmiştir. Toplamda 200 hasta çalışmaya dahil edilmiştir; RP gelişen hasta sayısı 88, gelişmeyen hasta sayısı 112'dir. Hastaların klinik ve dozyometrik verileri kaydedilmiştir. Tedavi öncesi çekilen simülasyon BT görüntüleri kullanılarak radyomiks ve dozyomiks verileri elde edilmiştir. Her hasta için dört farklı özellik çıkarılmıştır: PTV(planning target volume-planlanan hedef hacim) radyomiks, PTV dozyomiks, total akciğer hacminden PTV volümünün çıkarılmasıyla oluşturulan AKC(akciğer)-PTV radyomiks ve AKC-PTV dozyomiks. Radyomiks ve dozyomiks verileri makine öğrenme algoritmalarıyla değerlendirilmiştir. Bulgular Çalışmadaki 200 hastanın klinik verileri ve dozyometrik verileri içinde radyasyon pnömonisi ile ilişkili parametreler olmasının yanı sıra klinik, DVH, radyomiks ve dozyomiks verileri birleştirilmiş ve makine öğrenmesi algoritmaları oluşturulmuştur. Buna göre en iyi sonuç veren model, %82,5'luk doğruluk ile klinik veriler ve AKC-PTV radyomiksin birleştirildiği model olarak bulunmuştur. Sonuçlar Çalışmamızda radyasyon pnömonisi öngörmede en başarılı model klinik veriler ve AKC-PTV radyomiks verilerinin birleştirildiği model olmuştur. Test doğruluğu, F1 skoru, duyarlılık ve kesinlik değerleri en yüksek bu modeldedir. Radyasyon pnömonisini öngörmede bu modelin kullanımının klinik katkı sağlayacağı düşünülmektedir; bu alanda yapılacak daha kapsamlı çalışmalarla model başarısı desteklenecektir.
Özet (Çeviri)
Objectives Radiation pneumonitis (RP), which develops secondary to radiotherapy in lung cancer treatment, adversely affects lung function and patients' lives. Studies to determine the risk factors of radiation pneumonitis are mostly based on clinical data; however, radiomix and dosomix studies have been increasing in recent years. In this study, we aimed to evaluate clinical, radiomics, dosomics and dose-volume histogram (DVH) data together and to develop effective models for predicting radiation pneumonitis using machine learning. Thus, risky patient groups can be identified and patient-specific treatment planning can be made. Material-Method In this study, patients who received radiotherapy in our institution between 2015 and 2024 with histopathologically confirmed lung cancer diagnosis were evaluated. A total of 200 patients were included in the study; 88 patients developed RP and 112 patients did not. Clinical and dosimetric data of the patients were recorded. Radiomics and dosiomics data were obtained using simulation CT images taken before treatment. Four different features were extracted for each patient: PTV (planning target volume) radiomics, PTV dosiomics, Lung-PTV radiomics, which was created by subtracting PTV volume from total lung volume, and Lung-PTV dosiomics. Radiomics and dosomics data were evaluated with machine learning algorithms. Results In addition to the presence of radiation pneumonitis-related parameters in the clinical and dosimetric data of 200 patients in the study, clinical, DVH, radiomics and dosomics data were combined and machine learning algorithms were created. Accordingly, the model with the best results was found to be the model combining clinical data and Lung-PTV radiomics with an accuracy of 82.5%. Conclusions In our study, the most successful model for predicting radiation pneumonitis was the model combining clinical data and Lung-PTV radiomics data. Test accuracy, F1 score, sensitivity and precision values were the highest in this model. It is thought that the use of this model in predicting radiation pneumonitis will provide clinical contribution; the success of the model will be supported by more comprehensive studies in this field.
Benzer Tezler
- Radyoterapi uygulanan akciğer kanseri tanılı vakalarda radyasyon pnömonisi gelişimini etkileyen faktörler
Factors affecting the diagnose of radiation pneumonitis in lung cancer patients treated with radiotherapy
MELEK ÇOŞAR AKÇAY
Tıpta Uzmanlık
Türkçe
2014
OnkolojiEskişehir Osmangazi ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
PROF. DR. DURMUŞ ETİZ
- Toraks'a radyoterapi alan hastalarda akciğer hasarlanması sıklığı
Frequency of lung damage in patients who received radiotherapy to the thorax
HATİCE KEŞOĞLU TOK
Tıpta Uzmanlık
Türkçe
2023
Göğüs HastalıklarıErciyes ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. İNCİ GÜLMEZ
- Radyoterapi yapılan larenks kanserli hastalarda prognostik faktörlerin retrospektif B değerlendirilmesi
Retrospective evaluation of prognostic factors in patients with laryngeal cancer who underwent radioation theraphy
ÖZGÜR YILDIRIM
Tıpta Uzmanlık
Türkçe
2015
OnkolojiDicle ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
DOÇ. DR. SEYİT BURHANEDTİN ZİNCİRCİOĞLU
- Akciğer kanseri radyoterapisinde eksozom kaynaklı circRNA ekspresyon paternlerinin değerlendirilmesi
Evaluation of exosome derived circRNA expression patterns in LUNG cancer radiotherapy
SAINA RAHIMI
- Akciğer kanseri radyoterapisinde uygulanan iki farklı planlama tekniğinin dozimetrik olarak karşılaştırılması
Dosimetric comparison of two different planning technique applied in lung cancer radiotherapy
ÖZGE SÖYÜNMEZ
Yüksek Lisans
Türkçe
2019
OnkolojiAkdeniz ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
PROF. DR. MİNE GENÇ ÖZAY