Geri Dön

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

  1. Tez No: 908150
  2. Yazar: İREM BÜNÜL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ŞULE KARAMAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyasyon Onkolojisi, Radiation Oncology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyasyon Onkolojisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2014

    OnkolojiEskişehir Osmangazi Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    PROF. DR. DURMUŞ ETİZ

  2. 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

    Türkçe

    2023

    Göğüs HastalıklarıErciyes Üniversitesi

    Göğüs Hastalıkları Ana Bilim Dalı

    PROF. DR. İNCİ GÜLMEZ

  3. 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

    Türkçe

    2015

    OnkolojiDicle Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    DOÇ. DR. SEYİT BURHANEDTİN ZİNCİRCİOĞLU

  4. Akciğer kanseri radyoterapisinde eksozom kaynaklı circRNA ekspresyon paternlerinin değerlendirilmesi

    Evaluation of exosome derived circRNA expression patterns in LUNG cancer radiotherapy

    SAINA RAHIMI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    OnkolojiEge Üniversitesi

    Temel Onkoloji Ana Bilim Dalı

    DOÇ. DR. AYŞE CANER

  5. 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

    Türkçe

    2019

    OnkolojiAkdeniz Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    PROF. DR. MİNE GENÇ ÖZAY