Geri Dön

Yapay zeka destekli FDG PET/BT radyomiks modeli ile karaciğere metastatik kolorektal kanserli hastalarda y-90 cam mikroküreler ile yapılan transarteriyel radyoembolizasyon (TARE tedavisine yanıtın öngörülmesi

Prediction of response to transarterial radioembolization (TARE ) with yttrium-90 glass microspheres using artificial intelligence assisted FDG PET/CT radiomics model in patients with colorectal cancer metastatic to the liver

PDF İndir

  1. Tez No: 911869
  2. Yazar: TUĞBA NERGİZ KISSA BOLAT
  3. Danışmanlar: PROF. DR. FUAT DEDE
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 121

Özet

Amaç: Metastatik kolorektal kanserli hastalarda TARE için ideal hasta seçimi diğer kanser tedavilerinde olduğu gibi gereksiz yan etki ve yüksek maliyetten kaçınmak için önemlidir. Bu amaçla, TARE tedavisine yanıtın öngörülmesinde günümüzde radyomiks temelli analizler de yer almaya başlamış olup, sıklıkla BT ve MRG gibi morfolojik görüntüler kullanılmaktadır. Ayrıca, az sayıda olmakla birlikte metabolik radyomiks özellikleri içeren FDG PET çalışmaları da son dönemde literatüre girmeye başlamıştır. Ancak FDG PET'in kullanıldığı çalışmalarda; farklı kanser tiplerini içeren heterojen gruplarda uygulanmış olması ve araştırılan popülasyonun Y-90 reçine veya cam mikroküre ayrımı yapılmaksızın oluşturulması mevcut az sayıdaki çalışmaların kısıtlılığı olarak göze çarpmaktadır. Bu tek merkezli çalışmada, sadece cam mikroküre kullanılarak TARE tedavisi uygulanmış, karaciğere metastatik kolorektal kanserli hastalarda, TARE öncesine ait FDG PET radyomiks temelli modelleme kullanarak hedef lezyonun tedavi yanıtını öngörebilmeyi araştırdık. Yöntem: Bu çalışmada TARE tedavisi uygulanan ve tedavi öncesi FDG PET/BT görüntüleri mevcut olan karaciğere metastatik kolorektal kanser tanılı 65 hastaya ait 82 indeks lezyon retrospektif olarak değerlendirildi. Lezyonlar PERCIST kriterlerine göre tedaviye yanıtlı (tam yanıt/kısmi yanıt) ve tedaviye yanıtsız (stabil hastalık/progrese hastalık) olarak iki gruba ayrıldı. İndeks lezyonlar iki nükleer tıp doktoru tarafından, kör ve manuel olarak 3D Slicer programı ile segmente edildi. Pyradiomics kullanılarak dokusal ve şekilsel radyomiks özellikler çıkarıldı. Gözlemciler arası tekrarlanabilirliği yüksek olan özellikler sınıf içi korelasyon katsayısı (ICC) ile belirlendi. ICC değeri > 0.80 olan özellikler ileri analiz için seçildi. Veri seti; eğitim ve test setlerine %50 oranında ayrıldı. StandardScaler ile veriler ölçeklendirildi. SMOTE ile eğitim seti sınıf dengesizliği giderildi. MRMR algoritmasıyla seçilen radyomiks ve klinik özellikler ile makine öğrenme modelleri oluşturuldu. Model performansını değerlendirmek amacıyla, eğitim seti üzerinde 5 katlı tabakalı çapraz doğrulama (Stratified K-Fold Cross-Validation) yöntemi kullanıldı. Modellerin performansı AUC (eğri altında kalan alan), doğruluk, hassasiyet ve özgüllük metrikleri ile değerlendirildi. Bulgular: Toplam 65 hastada (24 kadın, 41 erkek, 63,6±11,5 yaş) 82 indeks lezyon belirlendi. Lezyonların % 57,3'ü tedaviye yanıtlı % 42,7'si yanıtsız olarak bulundu. % 63,4'ünde nekroz saptanırken 36,6'sında nekroz izlenmedi. Tedaviye yanıt veren ve vermeyen gruplar arasında yaş, cinsiyet, tümör nekrozu, volüm 3D Slicer, tedavi öncesi SULpeak ve tedavi öncesi TLG açısından istatistiksel olarak anlamlı bir farklılık saptanmamıştır. Pyradiomics ile çıkarılan 107 radyomiks özellik sayısı, ICC>0.80 kriteri ile 56'ya düşürüldü. MRMR özellik seçim algoritması ile bu sayı 11'e indirildi. Klinik olarak ise TLG ve tümör nekrozu MRMR algoritması ile seçilen özelliklerdi. Yalnızca radyomiks özellikler ve radyomiks+klinik özellikler ile oluşturulan makine öğrenme modelleri, TARE tedavisine erken yanıtı öngörmede kayda değer başarı gösterdiği bulundu. Yalnızca radyomiks özellikler ile oluşturulan makine öğrenme modellerinden en yüksek performans gösterenler; Extra Trees modeli olurken, bunu sırasıyla Logistic Regression, Naive Bayes, KNN, SVM ve Random Forest modelleri takip etmiştir. Klinik özelliklerin de dahil edildiği makine öğrenme modellerinde ise en yüksek performansı sırasıyla Extra Trees, Bagging, Naive Bayes, Random Forest ve Adaboost modelleri göstermiştir. Sonuç: Bu çalışma, TARE tedavisi öncesinde elde edilen FDG PET görüntülerine dayanan radyomiks modellerinin, karaciğere metastatik kolorektal kanserli hastalarda tedavi yanıtını öngörmede etkili olduğunu göstermiştir. Yalnızca radyomiks özellikler ile oluşturulan modeller ile klinik özelliklerin de dahil edildiği modellerin tedavi yanıtını öngörmedeki yüksek performansı, bu yaklaşımların tedavi planlamasının optimizasyonunda önemli bir potansiyele sahip olduğunu ortaya koymuştur. Bu sayede tedavi planlamasının optimize edilerek hastaların bireyselleştirilmiş tedavi yaklaşımlarından daha fazla yarar görmesi sağlanabilir. ANAHTAR SÖZCÜKLER: Radyomiks, makine öğrenme, yapay zeka, transarteriyel radyoembolizasyon, karaciğer metastazı, metastatik kolorektal kanser, Y-90 cam mikroküre.

Özet (Çeviri)

Objective: The selection of suitable patients for TARE in the context of metastatic colorectal cancer is of paramount importance, as it allows for the avoidance of both unnecessary side effects and high costs, which are commonplace in the treatment of other cancers. In order to achieve this, radiomics-based analyses have begun to be incorporated into the prediction of response to TARE treatment, with morphological images such as CT and MRI being employed with great frequency. Although few in number studies that include FDG PET and metabolic radiomic features have recently begun to appear in the literature. However, the fact that FDG PET was applied in heterogeneous groups comprising different cancer types as well as the lack of distinction between Y-90 resin or glass microspheres, stands out as a limitation of the few existing studies. In this single-centre study, we sought to investigate the potential of pre-TARE FDG PET radiomics-based modelling to predict the treatment response of the target lesion in patients with colorectal cancer metastatic to the liver who underwent TARE treatment utilising solely glass microspheres. Methods: A retrospective analysis was conducted on 82 index lesions from 65 patients with metastatic colorectal cancer to the liver who underwent TARE treatment and for whom pre-treatment FDG PET/CT images were available. The lesions were classified into two categories according to PERCIST criteria: treatment-responsive (complete response/partial response) and treatment-refractory (stable disease/progressed disease). The index lesions were segmented manually by two nuclear medicine physicians in a blind manner using the 3D Slicer programme. Pyradiomics was employed to extract textural and morphological radiomic features. The features demonstrating high inter-observer reproducibility were identified through the use of the Intraclass Correlation Coefficient (ICC). Only those features with ICC values exceeding 0.80 were selected for further analysis. The data set was randomly divided into two subsets, designated as the training set and the test set, in a 50:50 ratio. The data were subjected to scaling using the StandardScaler algorithm. The issue of class imbalance in the training set was addressed through the use of SMOTE. A machine learning model was constructed using radiomic and clinical features, which were selected using the minimum redundancy maximum relevance (MRMR) algorithm. The performance of the model was evaluated on the training set using the stratified K-fold cross-validation method. The performance of the models was evaluated using a series of metrics, including the area under the curve (AUC), accuracy, sensitivity and specificity. Results: A total of 82 index lesions were identified in 65 patients (24 females, 41 males, mean age 63.6±11.5 years). Of the lesions, 57.3% demonstrated a response to treatment, while 42.7% did not. A total of 63.4% of cases exhibited evidence of necrosis, while 36.6% did not. No statistically significant differences were observed between the treatment-responsive and non-responsive groups with regard to age, gender, tumour necrosis, volume, 3D Slicer, pre-treatment SULpeak and pre-treatment TLG. The number of radiomic features extracted with pyradiomics was reduced to 56, in accordance with the criterion of ICC>0.80. The number was subsequently reduced to 11 through the application of the MRMR feature selection algorithm. In a clinical context, the MRMR algorithm identified TLG and tumour necrosis as the most relevant variables. The construction of machine learning models based on radiomics-only features and a combination of radiomics and clinical features demonstrated considerable efficacy in predicting the early response to TARE treatment. The Extra Trees model demonstrated the highest performance among the machine learning models created with radiomic features only, followed by the Logistic Regression, Naive Bayes, KNN, SVM and Random Forest models, respectively. In the machine learning models that included clinical features, the Extra Trees, Bagging, Naive Bayes, Random Forest and Adaboost models demonstrated the highest performance, in that order. Conclusion: The findings of this study indicate that radiomics models based on FDG PET images obtained prior to TARE treatment are an effective means of predicting treatment response in patients with colorectal cancer metastatic to the liver. The high performance of either radiomics-only or clinical and radiomics in-combination models in predicting treatment response indicates that these approaches have significant potential for optimising treatment planning. Thereby conferring greater benefits to patients from an individualized treatment perspective KEY WORDS: Radiomics, machine learning, artificial intelligence, transarterial radioembolisation, liver metastasis, metastatic colorectal cancer, Y-90 glass microsphere.

Benzer Tezler

  1. Tez No

    963329

    18F-FDG PET ve PET/CT görüntülemelerinde taşlı yüzük hücreli mide kanserlerinin yapay zeka destekli tanısı

    Artificial intelligence-assisted diagnosis of signet-ring cell gastric carcinoma on 18F-FDG pet and PET/CTct imaging

    EGEMEN SAYGILI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Genel CerrahiSağlık Bilimleri Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    DOÇ. DR. BÜNYAMİN GÜRBULAK

    DOÇ. DR. ESRA ARSLAN

  2. Tez No

    880474

    AI assisted teaching: Practices and perspectives of instructors on using AI tools in ELT

    Yapay zeka destekli öğretim: İngilizce öğretiminde yapay zeka araçlarının kullanımına ilişkin öğretim görevlilerinin uygulamaları ve perspektifleri

    ALPASLAN ÇİFTÇİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Eğitim ve ÖğretimMaltepe Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    PROF. DR. AYSU ARYEL ERDEN

  3. Tez No

    881784

    Yapay zekâ destekli grafik tasarım araçlarının sürdürülebilirlik odaklı kullanımı: yeşil tasarım ilkeleri ve karbon ayak izi analizi

    Sustainability - focused use of artificial intelligence supported graphic design tools: green desing principles and carbon footprint analysis

    ELİF AYYILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Güzel SanatlarGiresun Üniversitesi

    Sanat ve Tasarım Ana Sanat Dalı

    DOÇ. SEDA NUR ATASOY

  4. Tez No

    883853

    Empowering learner autonomy for developing writing skills through ai-enhanced reflective journals

    Yapay zekâ destekli yansıtıcı günlükler aracılığıyla yazma becerilerinin geliştirilmesi için öğrenen özerkliğinin güçlendirilmesi

    SENA KÖNEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Eğitim ve Öğretimİstanbul Medeniyet Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    PROF. DR. SELAMİ AYDIN

  5. Tez No

    883854

    The impact of artificial intelligence-powered writing assistance systems on metacognitive writing strategies in the EFL learning context

    Yapay zekâ destekli yazma sistemlerinin yabancı dil olarak İngilizce öğrenme bağlamında üstbilişsel yazma stratejileri üzerindeki etkisi

    ECE HATİCE BERK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Eğitim ve Öğretimİstanbul Medeniyet Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    PROF. DR. SELAMİ AYDIN

Geri Dön