Küçük hücreli dışı akciğer kanserlerinde PDL-1 pozitifliğinin ve ekspresyonunun ayırt edilmesine radiomiks ve makine öğrenmesinin katkısı
The contribution of radiomics and machine learnings to differentiation of PDL-1 pozitivity and expression in non small cell lung cancer
- Tez No: 918272
- Danışmanlar: PROF. DR. FATMA SİBEL BAYRAMOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: KHDAK, PD-L1, radyomiks, makine öğrenmesi, non-invaziv tanı, NSCLC, PD-L1, radiomics, machine learning, non-invasive diagnosis
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Sultan Abdülhamid Eğt. ve Arş. Hast.
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 62
Özet
Amaç: Bu çalışmanın amacı, küçük hücre dışı akciğer kanseri (KHDAK) hastalarında tanı öncesi kontrastsız toraks BT görüntülerinden radyomik özellikleri çıkartarak, makine öğrenmesi modelleri yardımıyla PD-L1 ekspresyon düzeylerini non-invaziv olarak tahmin etmektir. Gereç ve Yöntemler: Retrospektif olarak tasarlanan çalışmada, 2019-2023 yılları arasında KHDAK tanısı almış toplam 268 hasta incelenmiştir. Tüm hastaların tanı anındaki kontrastsız toraks BT görüntülerinden radyomik özellikler çıkartılmış ve bu veriler klinik-demografik bilgilerle birleştirilmiştir. Lasso regresyonu kullanılarak anlamlı özellikler seçilmiş ve Random Forest, Destek Vektör Makinesi (SVM) ve k-En Yakın Komşu (k-NN) algoritmaları ile makine öğrenmesi modelleri oluşturulmuştur. Modeller, çoklu ROC eğrileri ve AUC değerleri ile değerlendirilmiştir. Bulgular: Radyomik özellikler, klinik-demografik veriler ve her ikisinin birleştirilmiş haliyle geliştirilen modellerin performansı karşılaştırılmıştır. Random Forest algoritması, test setinde PD-L1 ekspresyon gruplarını ayırt etmede en yüksek doğruluk oranı (%84.52) ve AUC değerini (0.9392) sunmuştur. Klinik verilerle desteklenen radyomik modellerin yalnızca radyomik veya klinik veri bazlı modellere göre daha başarılı olduğu gözlemlenmiştir. Sonuç: Çalışma, radyomiks ve makine öğrenmesi tekniklerinin KHDAK hastalarında PD-L1 ekspresyon düzeylerini non-invaziv olarak tahmin etmekte etkili bir yöntem olduğunu ortaya koymuştur. Bu yöntem, invaziv biyopsi ihtiyacını azaltarak tanı ve tedavi planlaması süreçlerini iyileştirme potansiyeline sahiptir. Gelecekte daha geniş hasta popülasyonları ve çok merkezli çalışmalar ile yöntemin genellenebilirliğinin arttırılması önerilmektedir.
Özet (Çeviri)
Aim: The aim of this study is to extract radiomic features from non-contrast thoracic CT images of non-small cell lung cancer (NSCLC) patients and to predict PD-L1 expression levels non-invasively using machine learning models. Materials and Methods: This retrospective study analyzed a total of 268 patients diagnosed with NSCLC between 2019 and 2023. Radiomic features were extracted from the diagnostic non-contrast thoracic CT images of all patients and combined with clinical-demographic information. Significant features were selected using Lasso regression, and machine learning models were developed using Random Forest, Support Vector Machine (SVM), and k-Nearest Neighbors (k-NN) algorithms. Model performances were evaluated using multi-class ROC curves and AUC values. Results: Models were developed using radiomic features, clinical-demographic data, and their combination, and their performances were compared. The Random Forest algorithm achieved the highest accuracy (84.52%) and AUC value (0.9392) in distinguishing PD-L1 expression groups in the test set. Radiomic models supplemented with clinical data outperformed models based solely on radiomics or clinical data. Conclusion: This study demonstrates the effectiveness of radiomics and machine learning techniques in non-invasively predicting PD-L1 expression levels in NSCLC patients. By reducing the need for invasive biopsies, this approach has the potential to improve diagnostic and treatment planning processes. Future studies with larger patient populations and multi-center collaborations are recommended to enhance the generalizability of these findings.
Benzer Tezler
- İmmünoteapi tedavisi uygulanan evre 4 küçük hücreli dışı akciğer kanserlerinde, sistemik immün-inflamatuar indeksin ve prognostik beslenme inedeksinin progresyonsuz sağkalım ve genel sağkalım üzerine etkisi nedir?
What is the effect of the systemic immune-inflammatory index and prognostic nutrition index on progression-free survival and overall survival in stage 4 non-small cell lung cancers which are used with immunotherapy treatment?
SİNAN ÇOLAK
Tıpta Uzmanlık
Türkçe
2024
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. BERNA KÖMÜRCÜOĞLU
- Küçük hücreli dışı akciğer kanserinde triptofan metabolizması ve PD1/PDL1 sinyal yolunda görevli moleküller arası ilişkisinin incelenmesi
Investigation of intermolecular relationship between tryptophan metabolism and PD1/PDL1 signaling pathway in non-small cell lung cancer
MEHMET TOLGAHAN HAKAN
- Küçük hücrelı̇ dışı akcı̇ğer kanserlerı̇nde PD-L1 ekspresyon derecesı̇ ve beyı̇n metastazının BT tabanlı texture analı̇zı̇ ı̇le öngörülmesı̇
Prediction of PD-L1 expression level and brain metastasis using CT-based texture analysis in non-small cell lung cancer
YASİN ÖZDEMİR
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. NAZAN ÇİLEDAĞ
PROF. DR. MUTLU DOĞAN
- Küçük hücreli dışı akciğer kanserlerinde immunhistokimyasal CMTM6 ve PD-L1 'in klinikopatolojik ve prognostik önemi
Clinicopathological and prognostic importance of immunohistochemical CMTM6 and PD-L1 in non-small cell lung cancers
SEDA TAS AYÇİÇEK
Tıpta Uzmanlık
Türkçe
2023
PatolojiNecmettin Erbakan ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
DOÇ. SIDIKA FINDIK
- Evre 3 küçük hücreli dışı akciğer kanserlerinde neoadjuvan kemoterapi/kemoradyoterapinin tümör dokusunda pd-l1 ve VISTA ekspresyon düzeyine etkisi
The effect of neoadjuvant chemotherapy / chemoradiotherapy on tumor tissue pd-l1 and VISTA expression level in stage 3 non-small cell lung cancers
ORHUN AKDOĞAN